论文解读：ACL2021 NER | 基于模板的BART命名实体识别【图文】

​​摘要：本文是对ACL2021 NER 基于模板的BART命名实体识别这一论文工作进行初步解读。

本文分享自华为云社区​​《ACL2021 NER | 基于模板的BART命名实体识别》​​，作者： JuTzungKuei 。

论文：Cui Leyang, Wu Yu, Liu Jian, Yang Sen, ZhangYue. TemplateBased Named Entity Recognition Using BART [A]. Findings of theAssociation for Computational Linguistics: ACL-IJCNLP 2021 [C]. Online:Association for Computational Linguistics, 2021, 1835–1845.

链接：​​https://aclanthology.org/2021.findings-acl.161.pdf​​

代码：​​https://github.com/Nealcly/templateNER​

1、摘要

• 小样本NER：源领域数据多，目标领域数据少
• 现有方法：基于相似性的度量

缺点：不能利用模型参数中的知识进行迁移

• 提出基于模板的方法

NER看作一种语言模型排序问题，seq2seq框架

原始句子和模板分别作为源序列和模板序列，由候选实体span填充

推理：根据相应的模板分数对每个候选span分类

• 数据集

CoNLL03 富资源

MIT Movie、MITRestaurant、ATIS 低资源

2、介绍

• NER：NLP基础任务，识别提及span，并分类
• 神经NER模型：需要大量标注数据，新闻领域很多，但其他领域很少

理想情况：富资源 知识迁移到 低资源

实际情况：不同领域实体类别不同

训练和测试：softmax层和crf层需要一致的标签

新领域：输出层必须再调整和训练

• 最近，小样本NER采用距离度量：训练相似性度量函数

优：降低了领域适配

缺：(1)启发式最近邻搜索，查找最佳超参，未更新网络参数，不能改善跨域实例的神经表示；(2)依赖源域和目标域相似的文本模式

• 提出基于模板的方法

利用生成PLM的小样本学习潜力，进行序列标注

BART由标注实体填充的预定义模板微调

实体模板：<candidate_span>is a <entity_type> entity

非实体模板：<candidate_span>is not a named entity

• 方法优点：

可有效利用标注实例在新领域微调

比基于距离的方法更鲁棒，即使源域和目标域在写作风格上有很大的差距

可应用任意类别的NER，不改变输出层，可持续学习

• 第一个使用生成PLM解决小样本序列标注问题
• Prompt Learning（提示学习）

3、方法

3.1 创建模板

• 将NER任务看作是seq2seq框架下的LM排序问题
• 标签集 entity_type：\mathbf{L}=\{l_1,...,l_{|L|}\}L={l1​,...,l∣L∣​}，即{LOC, PER, ORG, …}
• 自然词：\mathbf{Y}=\{y_1,...,y_{|L|}\}Y={y1​,...,y∣L∣​}，即{location,person, orgazation, …}
• 实体模板：\mathbf{T}^{+}_{y_k}=\text{<candidate\_span>is a location entity.}Tyk​+​=<candidate_span> is a location entity.
• 非实体模板：\mathbf{T}^{-}=\text{<candidate\_span>is not a named entity.}T−=<candidate_span> is not a named entity.
• 模板集合：\mathbf{T}=[\mathbf{T}^{+}_{y_1},...,\mathbf{T}^{+}_{y_{|L|}},\mathbf{T}^{-}]T=[Ty1​+​,...,Ty∣L∣​+​,T−]

3.2 推理

• 枚举所有的span，限制n-grams的数量1~8，每个句子有8n个模板
• 模板打分：\mathbf{T}_{{y_k},x_{i:j}}=\{t_1,...,t_m\}Tyk​,xi:j​​={t1​,...,tm​}

• x_{i:j}xi:j​实体得分最高
• 如果存在嵌套实体，选择得分较高的一个

3.3 训练

• 金标实体用于创建模板

实体x_{i:j}xi:j​的类型为y_kyk​，其模板为：\mathbf{T}^{+}_{y_k,x_{i:j}}Tyk,xi:j​+​

非实体x_{i:j}xi:j​，其模板为：\mathbf{T}^{-}_{x_{i:j}}Txi:j​−​

• 构建训练集：

正例：(\mathbf{X}, \mathbf{T}^+)(X,T+)

负例：(\mathbf{X}, \mathbf{T}^-)(X,T−)，随机采样，数量是正例的1.5倍

• 编码：\mathbf{h}^{enc}=\text{ENCODER}(x_{1:n})henc=ENCODER(x1:n)
• 解码：\mathbf{h}_c^{dec}=\text{DECODER}(h^{enc}, t_{1:c-1})hcdec​=DECODER(henc,t1:c−1​)
• 词t_ctc​的条件概率：p(t_c|t_{1:c-1},\mathbf{X})=\text{SOFTMAX}(\mathbf{h}_c^{dec}\mathbf{W}_{lm}+\mathbf{b}_{lm})p(tc∣t1:c−1​,X)=SOFTMAX(hcdec​Wlm+blm)

\mathbf{W}_{lm} \in\mathbb{R}^{d_h\times |V|}Wlm​∈Rdh​×∣V∣

• 交叉熵loss

4、结果

• 不同模板类型的测试结果

选择前三个模板，分别训练三个模型

• 实验结果

最后一行是三模型融合，实体级投票

号外号外：想了解更多的AI技术干货，欢迎上华为云的AI专区，目前有​​AI编程Python等六大实战营​​供大家免费学习。

​​点击关注，第一时间了解华为云新鲜技术~​​

更多文章请关注《万象专栏》