在小样本临床实体识别中保持BERT的经验概率
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了命名实体识别（NER）中标签不平衡的问题，即某些实体类型在真实数据集中表现过度，而其他类型表现不足，导致模型偏差。论文提出了一种新颖的方法，通过分析损失计算和传播机制，改善基于BERT的模型在小样本临床实体识别中的表现，以提高对少数实体类别的识别准确性。
本论文提出了一种基于transformer的方法来解决生物医学领域中监督命名实体识别的挑战，包括零样本和少样本NER。实验结果表明，该方法具有识别有限样本中的新实体的能力，对于零样本NER的平均F1得分达到35.44％，对于10样本和100样本NER的平均F1得分分别为69.94％和79.51％。该方法可与目前的先进零样本和少样本NER方法相媲美甚至更好。
