Oct, 2022

SpanProto: 两阶段基于 Span 的原型网络用于少样本命名实体识别

PDF
TL;DR本文介绍了一种基于 SpanProto 和 prototypical learning 的 few-shot NER 方法，并使用 margin-based loss 进一步提高了模型性能。实验表明，该模型在多个基准测试中表现优异。
few-shot learningnamed entity recognitionspanprotoprototypical learningmargin-based loss
发现论文，激发创造
  • 基于实体级原型网络和分散分布式原型 模型增强的小样本命名实体识别

    EP-Net is proposed to improve labeled dependency and prototype distribution in few-shot named entity recognition, achieving better performance than previous models.

    Aug, 2022

  • 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

  • 拆分元学习用于少样本命名实体识别

    本文介绍了一种分解元学习方法，通过元学习逐步解决了少样本命名实体识别中的少样本跨度检测和少样本实体类型划分问题，并在各种基准测试中证明了该方法优于以往方法的卓越性能。

    Apr, 2022

  • 命名实体识别任务中的少样本分类

    本论文研究使用（基于度量学习的）原型网络来进行少样本命名实体识别任务，其可以学习单词的中间表示并对其进行聚类来进行类别分类，通过将该技术与迁移学习结合使用，可以在只有很少的训练实例的情况下实现良好的分类器，进而实现零样本学习。

    Dec, 2018

  • 定位与标记：用于嵌套命名实体识别的两阶段识别器

    该研究提出两阶段标识器以识别嵌套实体，其通过过滤种子跨度和边界回归生成跨度建议，并准确地标记跨度与相应类别。实验结果表明，该方法优于以往最先进的模型。

    May, 2021

  • 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

  • 面向少样本命名实体识别的类型感知分解框架

    该研究提出了一种新的基于类型感知的分解框架 TadNER，在将支持样本和类型名称作为参照物构建更准确、更稳定的原型时，通过提出类型感知的跨度过滤策略和对比学习策略来解决目前几乎所有两阶段典型化网络在少样本 NER 任务中所遇到的具有挑战性的问题，并在各种基准测试中证明了 TadNER 的优越性。

    Feb, 2023

  • ProtoNER: 基于原型网络的命名实体识别的小样本增量学习

    ProtoNER 是一种基于原型网络的端到端的 KVP 提取模型，允许在现有模型中添加新的类别，并且只需要很少数量的新注释样本。

    Oct, 2023

  • 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

  • SpanNER: 命名实体重新识别 / 识别作为跨度预测

    本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点，并提出了系统组合的方法来重新识别来自不同系统的命名实体，并在 11 个数据集上进行了 154 个系统的实验，证明了 span prediction 也可以作为基础 NER 系统和系统组合器，同时也将我们的模型部署到 ExplainaBoard 平台上。

    Jun, 2021