使用探测分类器的嵌入式命名实体识别
内容提要
本文提出了一种名为iNERD的命名实体识别方法，利用生成模型的语言理解能力显著提高识别性能。研究还探讨了基于上下文学习的NER方法和弱监督模型，展示了在不同数据集上的优越表现，尤其是在未知实体类别的环境中。
延伸解读
iNERD 如何避免生成式 NER 的幻觉问题
生成式模型在命名实体识别中可能生成输入文本中不存在的实体，即幻觉。iNERD 采用基于信息提取的有限文本生成解码方案，将输出限制在从输入中提取的文本片段，从而消除幻觉风险。这一设计在保持生成模型语言理解能力的同时，确保了识别结果的可靠性，为生成式 NER 的落地提供了重要保障。
未知实体类别下的性能优势
传统 NER 模型通常依赖预定义的实体类别，难以适应新类别。iNERD 在合并的命名实体语料库上训练，并在八个数据集上评估，特别在未知实体类别集的环境中表现优异。这表明该方法能利用生成模型的语言理解能力，泛化到训练时未见过的实体类型，为开放域 NER 提供了新思路。
上下文学习与弱监督的互补性
文章还探讨了基于上下文学习的 NER 方法，通过 PLMs 中的元函数，仅需少量示例即可识别新类型实体，显著优于微调对照组。同时，利用短语嵌入搜索构建高覆盖率实体词典的弱监督方法 HighGEN，在六个基准测试中表现更优。这些方法与 iNERD 形成互补，共同推动了 NER 在低资源场景下的发展。
Q&A
iNERD方法的主要特点是什么？
iNERD方法将命名实体识别视为生成过程，利用生成模型的语言理解能力，并采用基于信息提取的有限文本生成解码方案。
iNERD在未知实体类别环境中的表现如何？
iNERD在未知实体类别环境中表现优异，展示了其适应性。
如何通过上下文学习改进命名实体识别？
通过PLMs中的元函数，仅使用少量示例即可识别新类型的实体，从而改进命名实体识别。
短语嵌入搜索在实体识别中的作用是什么？
短语嵌入搜索用于构建高覆盖率的实体词典，改进弱监督NER模型的性能。
BioELMo与BioBERT在实体编码方面的比较如何？
BioELMo在编码实体类型和关系信息方面优于BioBERT。
弱监督NER模型的改进方法有哪些？
利用短语嵌入搜索构建实体词典，并通过嵌入距离减少噪声，从而改进弱监督NER模型。
