检索结果-南通市图书馆

计算机应用 2024年

作者：曾碧卿钟广彬温志庆华南师范大学软件学院季华实验室机器人工程研究中心

小样本命名实体识别(few-shot NER)旨在基于少量标记数据识别文本中实体跨度和类型。近期，基于跨度的度量学习取得了不错的效果，但仍然存在以下个问题：一是少量的候选跨度可能导致原型偏离群组的中心；二是与类别无关的跨度检测器会... 详细信息

小样本命名实体识别(few-shot NER)旨在基于少量标记数据识别文本中实体跨度和类型。近期，基于跨度的度量学习取得了不错的效果，但仍然存在以下个问题：一是少量的候选跨度可能导致原型偏离群组的中心；二是与类别无关的跨度检测器会产生一些非实体跨度。为了解决以上问题，提出一种用于few-shot NER的融合模糊跨度的分解式模型DFSM(Decomposed Fuzzy Span Model)。在跨度检测阶段，为学习明确的实体边界信息，而不受标记级别的标签依赖影响，DFSM采用全局边界矩阵检测候选跨度；而在跨度分类阶段，为增加可训练的每种实体类型候选跨度数量，提出一种模糊跨度策略以调整候选跨度的边界范围。同时，设计了一种原型对比学习以优化基于跨度的语义表示空间；此外，为消除非实体噪声数据的干扰，引入原型边界学习以扩大非实体跨度与原型的距离。在Few-NERD和CrossNER数据集上的实验结果显示，与基线模型TadNER相比，在Few-NERD Inter中，DFSM的平均F1值提升了8.52%，尤其是在Inter 10 way 5～10-shot中，F1值提升了10.39%，这表明DFSM对于细粒度实体类型具有更强的识别能力。与基线模型DecomMeta相比，在CrossNER 1-shot和5-shot中，DFSM的平均F1值分别提升了3.32%和1.09%，这表明它在跨领域低资源场景下具有良好的泛化能力。

关键词：命名实体识别小样本学习原型网络全局边界矩阵模糊跨度

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：