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

Apr, 2024

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

Hybrid Multi-stage Decoding for Few-shot NER with Entity-aware Contrastive Learning

Peipei Liu, Gaosheng Wang, Ying Tong, Jian Liang, Zhenquan Ding...

TL;DR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。

Abstract

few-shot named entity recognition can identify new types of named entities based on a few labeled examples. Previous methods employing token-level or span-level metric learning suffer from the computational burden and a large number of negative sample spans. In this paper, we propose t

few-shot named entity recognition hybrid multi-stage decoding entity-span detection entity classification contrastive learning

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

一种具有任务特定预训练的多任务语义分解框架用于少样本命名实体识别

通过多任务预训练的多任务语义分解框架，通过引入基于示范和对比学习的两种新型预训练任务（示范式遮蔽语言建模和类对比判别），能够有效地融入实体边界信息并加强预训练语言模型中的实体表示。在下游主任务中，通过语义分解方法引入多任务联合优化框架，使模型能够整合两种不同的语义信息进行实体分类，实验证明该方法在两个少样本命名实体识别基准测试中始终优于强基线模型，并通过广泛的分析验证了其有效性和泛化能力。

Aug, 2023

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

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

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

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

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

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

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

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。

Oct, 2022

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