通过外部上下文检索与协同学习提升命名实体识别

近年来，命名实体识别（Named Entity Recognition, NER）领域的进展表明，利用文档级上下文能够显著提升模型性能。然而，在许多实际应用场景中，此类上下文信息往往不可用。本文提出一种新方法：通过以原始句子作为查询，利用搜索引擎检索并筛选出一组语义相关的外部文本，从而为该句子构建外部上下文。实验结果表明，基于检索所得外部上下文与原句拼接形成的“检索式输入视图”所计算出的上下文表示，相较于仅依赖原句的原始输入视图，能够显著提升模型性能。此外，我们进一步提出一种协同学习（Cooperative Learning）训练方法，通过促使两个输入视图（原始输入视图与检索式输入视图）生成相似的上下文表示或输出标签分布，进一步优化模型表现。在涵盖5个不同领域的8个NER数据集上的实验结果表明，所提方法达到了新的最先进（state-of-the-art）性能水平。