【AAAI2020论文-清华大学】Enhanced Meta-Learning for Cross-lingual Named Entity Recognition with Minimal Resources，最小资源增强的元学习跨语言命名实体识别

摘要： 对于没有标注资源的语言，从资源丰富的语言中转移知识是命名实体识别(NER)的有效解决方案。虽然现有的方法都是直接从源学习模型转移到目标语言中，但在本文中，我们建议通过一个测试用例的几个类似例子对学习模型进行微调，这样可以利用类似例子中传递的结构和语义信息来帮助预测。为此，我们提出了一种元学习算法，通过计算句子相似度来寻找一种能快速适应给定测试用例的模型参数初始化方法，并提出了构造多个伪ner任务进行元训练的方法。为了进一步提高模型在不同语言间的泛化能力，我们引入了掩蔽机制，并在元训练中增加了一个最大损失项。我们在五种目标语言中以最少的资源进行了大量的跨语言命名实体识别实验。结果表明，我们的方法在整体上显著优于现有的最先进的方法。