使用数据增强的嵌套命名实体识别的复合嵌套学习
原文中文，约300字，阅读约需1分钟。发表于：。本研究关注于基于嵌套命名实体识别（NNER）来解决实体重叠识别的问题，提出了一种有效的数据增强方法，使用 Composited-Nested-Label Classification（CNLC）来建模嵌套实体，通过 Composited-Nested-Learning（CNL）对数据集进行扩充，并采用 Confidence Filtering...
本研究提出了一种新的混合标注方法，结合人力和大型语言模型，提高NER模型性能，解决传统标注方法的噪音和类别不平衡问题。通过多个数据集的分析，该方法在受限预算条件下始终表现出比传统标注方法更优越的性能，证明了以经济方式实现高性能NER的可行性。
