17 天前
CONTaiNER:基于对比学习的少样本命名实体识别
Sarkar Snigdha Sarathi Das, Arzoo Katiyar, Rebecca J. Passonneau, Rui Zhang

摘要
在低资源领域中,少样本(Few-Shot)场景下的命名实体识别(Named Entity Recognition, NER)具有重要意义。现有方法通常仅从源域中学习特定类别的语义特征和中间表示,这限制了其在未见目标域上的泛化能力,导致性能表现不佳。为此,本文提出一种新颖的对比学习方法——CONTaiNER,该方法通过优化令牌间分布距离来提升少样本NER的性能。与以往专注于优化类别特定属性的方法不同,CONTaiNER采用一种更具普适性的目标:基于令牌嵌入的高斯分布特性,有效区分不同类型的令牌。这一机制显著缓解了因训练域数据局限而导致的过拟合问题。在多个传统测试数据集(OntoNotes、CoNLL'03、WNUT '17、GUM)以及一个新构建的大规模少样本NER数据集(Few-NERD)上的实验结果表明,CONTaiNER在平均性能上相较先前方法提升了3%至13%的绝对F1分数,且在各类挑战性场景下均表现出稳定一致的性能,即使在以往方法难以取得显著效果的条件下亦能保持优异表现。