TriggerNER：以实体触发词作为解释的命名实体识别学习
计算与语言
2020-07-08 v4 信息检索
机器学习
摘要
在新领域训练命名实体识别（NER）的神经模型通常需要额外的人工标注（例如数万条标注实例），这类标注的收集往往昂贵且耗时。因此，一个关键的研究问题是如何以高性价比的方式获取监督信号。本文引入“实体触发词”作为人类解释的有效代理，以促进NER模型的低标注成本学习。实体触发词定义为句子中一组有助于解释人类为何将该句某实体识别出来的词。我们针对两个被广泛研究的NER数据集众包了14k条实体触发词。我们提出的模型Trigger Matching Network利用自注意力联合学习触发词表示与软匹配模块，从而可轻松泛化至未见过句子进行标注。我们的框架比传统神经NER框架显著更具成本效益。实验表明，仅使用20%的触发词标注句子即可达到与使用70%常规标注句子相当的性能。
引用
@article{arxiv.2004.07493,
title = {TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition},
author = {Bill Yuchen Lin and Dong-Ho Lee and Ming Shen and Ryan Moreno and Xiao Huang and Prashant Shiralkar and Xiang Ren},
journal= {arXiv preprint arXiv:2004.07493},
year = {2020}
}
备注
Accepted to the ACL 2020. Project page: https://inklab.usc.edu/TriggerNER/ (Fixed a few typos and added a new figure.)