基于模板的命名实体识别方法及其在 BART 上的应用
计算与语言
2021-06-04 v1
摘要
近期少样本 NER（命名实体识别）受到关注，其中低资源目标域与资源丰富的源域具有不同标签集。现有方法使用基于相似度的度量，但无法充分利用 NER 模型参数中的知识迁移。为解决该问题，我们提出一种基于模板的 NER 方法，将 NER 视为序列到序列框架中的语言模型排序问题，其中原始句子与由候选命名实体跨度填充的陈述模板分别被视为源序列与目标序列。推理时，模型需依据相应模板分数对每个候选跨度进行分类。我们的实验表明，所提方法在 CoNLL03（富资源任务）上取得 92.55% 的 F1 分数，并在 MIT Movie、MIT Restaurant 和 ATIS（低资源任务）上分别显著优于微调 BERT 10.88%、15.34% 和 11.73% 的 F1 分数。
引用
@article{arxiv.2106.01760,
title = {Template-Based Named Entity Recognition Using BART},
author = {Leyang Cui and Yu Wu and Jian Liu and Sen Yang and Yue Zhang},
journal= {arXiv preprint arXiv:2106.01760},
year = {2021}
}