KCL公司：基于知识图和对比学习的少量命名实体识别

单张,曹斌（Bin Cao）,京凡

摘要
命名实体识别（NER）作为自然语言处理（NLP）中的一个关键子任务，仅限于少数标记样本（也称为少量快照）。基于度量的元学习方法旨在学习语义空间，并根据实体表示的相似性将实体分配给其最近的标签。然而，这些方法在语义空间学习方面存在困难，导致性能不理想。具体而言，标签名称或其描述被广泛用于标签语义表示学习，但从现有标签描述中提取的标签信息是有限的。此外，这些方法侧重于减少实体与相应标签之间的距离，这也可能会减少标签之间的间距，从而导致错误分类。在本文中，我们提出了一种利用知识图和对比学习的能力改进原型语义空间学习的少快照NER方法。首先，KCL利用知识图为标签语义表示学习提供丰富的结构化标签信息。然后，KCL引入对比学习的思想来学习标签的语义表示。标签语义表示用于帮助区分原型语义空间中的标签簇，以减少误分类。大量实验表明，KCL比最先进的方法取得了显著的改进。
选集ID：
2024.lrec-main.846年
音量：
2024年计算语言学、语言资源和评估联合国际会议记录（LREC-COLING 2024）
月份：
五月
年份：
2024
地址：
意大利都灵
编辑：
尼科莱塔·卡尔佐拉里,菅直人（Min-Yen Kan）,Veronique主机,亚历山德罗·伦奇,Sakriani Sakti公司,念文学
场馆：
LREC公司|科林
SIG公司：
出版商：
ELRA和ICCL
注：
页：
9681–9692
语言：
网址：
https://aclantology.org/2024.lrec-main.846
内政部：
比比键：
引用（ACL）：
张山、曹斌和范静。2024KCL：基于知识图和对比学习的少镜头命名实体识别.英寸2024年计算语言学、语言资源和评估联合国际会议记录（LREC-COLING 2024），第9681–9692页，意大利都灵。ELRA和ICCL。
引用（非正式）：
KCL：基于知识图和对比学习的少快照命名实体识别（Zhang等人，LREC-COLING 2024）
复制引文：
PDF格式：
https://aclantology.org/2024.lrec-main.846.pdf
PDF格式 引用 搜索