PromptNER：命名实体识别中的提示定位与类型标注

提示学习是一种利用预训练语言模型的新范式，并在许多任务中取得了显著成功。为了在命名实体识别（NER）任务中应用提示学习，研究者从一对对称的角度探索了两种方法：一种是通过枚举跨度来填充模板以预测其实体类型，另一种是构建特定类型的提示以定位实体。然而，这些方法不仅需要多轮提示的方式，导致时间开销和计算成本较高，还需要精心设计的提示模板，这在实际应用场景中难以实现。本文中，我们将实体定位和实体分类统一到提示学习框架下，并设计了一个包含位置槽位和类型槽位的双槽多提示模板，分别用于提示定位和分类。多个提示可以同时输入模型，然后模型通过并行预测槽位来提取所有实体。为了在训练过程中为槽位分配标签，我们设计了一种动态模板填充机制，该机制利用提示与真实实体之间的扩展二部图匹配。我们在多种设置下进行了实验，包括资源丰富的扁平和嵌套NER数据集以及低资源的域内和跨域数据集。实验结果表明，所提出的模型在性能上取得了显著提升，特别是在跨域少样本设置下，平均性能比现有最先进模型高出7.7%。