COLINGOct, 2022

SEE-Few: 小样本命名实体识别的种子、扩张与蕴含

PDF
TL;DR本文提出了一种新颖的多任务学习框架 SEE-Few，用于在没有使用源域数据的情况下进行少样本实体识别，该框架通过种子、扩展和蕴含的学习模块来提高实体识别的准确性，实验结果表明，该方法在四个基准数据集上表现出了比现有技术高出很大的优势。
few-shotnamed entity recognitionmulti-task learningtraining from scratchtextual entailment
发现论文，激发创造
  • 基于大规模标签解释学习的少样本命名实体识别

    利用自然语言描述学习实体类型解释，通过大规模扩展实体类型和描述，可以显著提高零样本和少样本命名实体识别。

    Mar, 2024

  • 一种用于小样本命名实体识别的统一标签感知对比学习框架

    我们提出了统一的标签感知令牌级对比学习框架，通过利用标签语义作为后缀提示来丰富上下文，同时优化上下文 - 上下文和上下文 - 标签对比学习目标，从而提高推广辨别性的上下文表示。广泛的实验表明我们的方法在各种传统测试领域和大规模少样本 NER 数据集上优于先前的最先进模型，微粒 F1 分数平均绝对增益达到 7%。进一步的分析揭示了我们模型受益于其强大的迁移能力和改进的上下文表示。

    Apr, 2024

  • 少样本命名实体识别：综合研究

    本文提出了一种有效地建立识别命名实体（NER）系统的方法，基于最近的基于转换器的自我监督预训练语言模型（PLMs），并探讨了三种正交的方案来改进针对少样例情况的模型泛化能力，通过大量实验结果表明，我们的方法在少数样例学习环境中显著改善或优于基于域标记微调的 PLM 线性分类器等基线方法，同时在无训练和少样例学习环境下建立了最新的业界记录。

    Dec, 2020

  • 应对 Few-shot 命名实体识别中的重复训练和样本依赖问题的研究

    我们的研究提出了一个改进的少样本命名实体识别流程，利用预训练的跨领域跳板标识检测器和大规模语言模型，有效减少了基本特征的重复训练，同时消除了对少样本的依赖，通过广泛的实验表明，在各种数据集上，我们的模型在细粒度少样本命名实体识别方面胜过基线模型，包括 ChatGPT。

    Jun, 2024

  • Few-Shot 嵌套命名实体识别

    本文首次提出了针对 few-shot 嵌套 NER 任务的 Biaffine 对比学习框架 (BCL)，该框架利用上下文依赖来区分嵌套实体，将语义表示与上下文跨度表示相结合，并采用对比学习来调整表示分布，实现更大的边缘边界和更广泛的领域迁移学习能力。实验结果表明，在三个英语、德语、俄语嵌套 NER 数据集上，BCL 在 1-shot 和 5-shot 任务中的 F1 得分优于三个基本模型。

    Dec, 2022

  • FactMix: 使用少量领域内标注样本泛化到跨领域命名实体识别

    本文提出了一种基于理性的两步数据增强方法来提高模型的泛化性能，用于跨域 NER 任务，结果表明我们的模型无论是在数据增强还是提示调整方法中都显著提高了交叉域 NER 任务的性能。

    Aug, 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

  • 少样本实体识别的混合多阶段解码方法与实体感知对比学习

    我们提出了混合多阶段解码的少样本命名实体识别方法，通过实体跨度检测和实体分类的两个阶段，结合对比学习模块以增强实体表示，实现了在少样本情况下识别新类型命名实体的能力。

    Apr, 2024

  • 从语言描述中学习：基于分解框架的低样本命名实体识别

    该研究提出了一个基于预训练语言模型的新型 NER 框架：SpanNER，在低资源环境下的 few-shot 学习、领域转移和 zero-shot 学习设置中，可以识别从未出现的实体类，通过实验可知其相比于最佳基准线平均能提高 10％，23％和 26％。

    Sep, 2021

  • 一种基于 Transformer 的零样本和少样本生物医学命名实体识别方法

    本论文提出了一种基于 transformer 的方法来解决在生物医学领域中监督命名实体识别（NER）的挑战，包括零样本和少样本 NER。该方法基于将多类令牌分类的任务转化为二进制令牌分类，并在更多数据集和医学实体上预训练，从中可以学习给定实体和潜在类之间的语义关系。使用 PubMedBERT 调整模型进行的实验结果表明，该方法具有识别有限样本中的新实体的能力，对于零样本 NER 的平均 F1 得分达到 35.44％，对于 10 样本和 100 样本 NER 的平均 F1 得分分别为 69.94％和 79.51％。该方法可与目前的先进零样本和少样本 NER 方法相媲美甚至更好。

    May, 2023