Feb, 2023

适应性边际的元学习三元组网络用于少样本命名实体识别

PDF
TL;DR本文提出了 MeTNet 方法，使用三元组网络映射样本和原型向量到低维空间，通过自适应的边缘控制实体类型，实现了准确的 few-shot 命名实体识别。
meta-learningfew-shotnamed entity recognitionmetnettriplet network
发现论文，激发创造
  • 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

  • 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

  • 元学习连体网络用于少样本文本分类

    本文提出了一种 Meta-Learning Siamese Network 来解决 few-shot learning 中的三个主要问题（即原型向量计算中忽略采样的随机性，忽略标记样本的重要性和纯随机构建元任务）。与现有模型相比，Meta-SN 利用外部知识来编码原型向量，并提出了一种新的抽样策略来构建元任务，同时在六个基准数据集上展示了其明显的优越性。

    Feb, 2023

  • 基于元学习技术的极少资源跨语言命名实体识别增强模型

    本文提出了一种元学习方法，通过细调源语言模型，结合相似示例中所传达的结构和语义信息来增强目标语言的命名实体识别。在五种目标语言上的实验表明，该方法显著优于现有的最先进方法。

    Nov, 2019

  • 元学习对抗域适应网络用于小样本文本分类

    本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在 20 个新闻组数据集上，1-shot 和 5-shot 分类的准确性从 52.1％提高到 59.6％和从 68.3％提高到 77.8％。

    Jul, 2021

  • 基于 StackOverflow 的小样本命名实体识别

    提出了 RoBERTa+MAML 方法，用于解决 StackOverflow 上的注释挑战，通过元学习来进行少样本命名实体识别，并在 StackOverflow 命名实体语料库上取得了 5% 的 F1 分数改进。通过增强领域特定短语处理来进一步提高结果。

    Apr, 2024

  • 元学习在有效的少样本命名实体链接中的应用

    本研究提出了一种基于元学习、弱监督和合成数据的方法，以解决自然语言处理领域中少样本实体链接任务。在实验中证明，该方法在少量标注数据情况下可以获得较好的效果，并具有良好的可迁移性。

    Jul, 2022

  • 利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

    本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。

    Oct, 2020

  • 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