面向少样本命名实体识别的类型感知分解框架
计算与语言
2023-10-17 v2
摘要
尽管近期若干两阶段原型网络在少样本命名实体识别（NER）任务中取得了成功，但在跨度检测阶段过度检测的虚假跨度，以及在类型分类阶段不准确且不稳定的原型，仍是具有挑战性的问题。在本文中，我们提出一种新颖的类型感知分解框架，即 TadNER，以解决这些问题。我们首先提出一种类型感知跨度过滤策略，通过移除那些在语义上远离类型名的跨度来过滤掉虚假跨度。然后我们提出一种类型感知对比学习策略，通过联合利用支持样本和类型名作为参考来构建更准确且更稳定的原型。在各种基准上的大量实验证明，我们提出的 TadNER 框架取得了新的最先进（SOTA）性能。我们的代码和数据将发布于 https://github.com/NLPWM-WHU/TadNER。
引用
@article{arxiv.2302.06397,
title = {Type-Aware Decomposed Framework for Few-Shot Named Entity Recognition},
author = {Yongqi Li and Yu Yu and Tieyun Qian},
journal= {arXiv preprint arXiv:2302.06397},
year = {2023}
}
备注
Accepted to the Findings of EMNLP 2023, camera ready version