
摘要
尽管近期多种两阶段原型网络在少样本命名实体识别(Few-shot Named Entity Recognition, NER)任务中取得了显著进展,但跨度检测阶段的过量误检跨度以及类型分类阶段原型构建的不准确与不稳定性,仍是亟待解决的关键问题。本文提出一种新型的类型感知分解框架——TadNER,以有效应对上述挑战。首先,我们设计了一种类型感知的跨度过滤策略,通过剔除语义上与类型名称相距较远的跨度,实现对虚假跨度的有效过滤;其次,提出一种类型感知的对比学习策略,通过联合利用支持样本与类型名称作为参考,构建更为准确且稳定的原型表示。在多个基准数据集上的大量实验表明,所提出的TadNER框架达到了当前最优的性能水平。相关代码与数据将公开发布于:https://github.com/NLPWM-WHU/TadNER。