Mar, 2022

QaNER: 针对少样本命名实体识别的唤醒式问答模型

PDF
TL;DR本文提出了一种命名实体识别的新的基于 prompt 的学习方法 - QaNER，它使用了基于问答的方法来解决之前 prompt-based 方法所存在的限制，包括更高的计算复杂性、较差的 0-shot 能力、需要手动 prompt 工程，或缺乏 prompt 鲁棒性等问题。相比之前的方法，QaNER 具有更快的推理速度，对 prompt 质量不敏感，鲁棒性也更强，并且在低资源性能和 0-shot 能力方面表现显著优于之前的方法。
pre-trained language modelsfew-shot learningnamed entity recognitionquestion answeringzero-shot learning
发现论文，激发创造
  • PromptNER: 命名实体识别提示

    本文介绍了 PromptNER 算法，将大型语言模型与有限训练样本相结合，实现跨领域、少量样本下的命名实体识别任务，相对于传统方法，取得了十分显著的性能提升。

    May, 2023

  • 通过 k 最近邻搜索的提示方法，用于少样本命名实体识别的 PromptNER

    本文提出了一种基于提示方法的 Few-shot Named Entity Recognition（NER）模型，使用实体类别信息构建标签原型，使模型只需使用支持集进行微调即可实现很好的迁移学习表现，实验证明其在 Few-NERD 和 CrossNER 数据集上的性能均优于其他先进方法。

    May, 2023

  • ContrastNER: 基于对比的提示调整用于少样本 NER

    该论文提出了 ContrastNER，一个基于提示的命名实体识别框架，使用离散和连续的标记来学习对话。通过对比学习的方法，ContrastNER 在高资源设置中获得了与现有技术同样的性能，并在低资源环境中胜过现有模型。

    May, 2023

  • InstructionNER: 一个多任务基于指令的生成框架，用于少样本 NER

    本文提出了一种基于多任务指令的生成式框架 InstructionNER，用于低资源的命名实体识别。实验结果表明，我们的方法在少样本任务中始终优于其他基线模型。

    Mar, 2022

  • 基于提示的度量学习用于小样本命名实体识别

    本研究提出了一种使用多重提示架构和度量学习方法来解决 few-shot named entity recognition 中标注语义缺陷的问题，并在 18 个场景中实现了新的最先进结果，平均相对增益为 8.84％，最大相对增益为 34.51％。

    Nov, 2022

  • 基于示例的命名实体识别

    我们提出了一种新的名词实体识别方法，称为基于示例的实体识别，在缺乏数据的情况下通过受到问答启发，使用少量支持示例来识别新领域中的实体范围，与当前最先进的方法相比，该方法表现出更好的性能，特别是在使用少量支持示例时。

    Aug, 2020

  • 简单问题生成命名实体识别数据集

    本研究提出了一种问答式自动生成命名实体识别数据的方法，使用生成的数据进行训练的模型在多项 NER 评测中表现优异，并在少样本 NER 中取得了新的最佳表现。

    Dec, 2021

  • 展示更少，指导更多：以定义和指南增强用于零 - shot NER 的提示

    SLIMER 是一种新的指导性指令型大型语言模型，通过使用定义和指南的提示改进了零样本命名实体识别，在未曾见过的命名实体标签上表现更好，并且在域外零样本 NER 方面表现与最先进的方法相当，同时训练数据减少。

    Jul, 2024

  • PromptNER: 命名实体识别的提示定位与分类

    本研究提出了将实体定位和实体类型识别整合到 prompt learning 中的双插槽多提示模板，可在平行预测插槽上提取所有实体，并设计了一种动态模板填充机制来分配插槽的标签。在各种设置下进行实验，我们的模型在交叉域 few-shot 设置中实现了显着的性能提高。

    May, 2023

  • PUnifiedNER: 一个基于提示的统一 NER 系统，适用于多样数据集

    本文提出了一种基于提示学习技术的统一命名实体识别系统 (PUnifiedNER)，该系统能够在不同领域同时识别高达 37 种实体类型，相比基于特定数据集的模型，能够显著提高预测性能并大大降低模型部署成本。同时，在某些数据集上，PUnifiedNER 的性能甚至可以达到甚至超越领域特定方法的最高水平。

    Nov, 2022