在新领域中为命名实体识别(NER)训练神经模型通常需要额外的人工注释(例如,成千上万的标记实例),这些注释的收集通常是昂贵和耗时的。因此,一个关键的研究问题是如何以一种经济有效的方式获得监督。在这篇论文中,我们介绍了“实体触发器”,这是一种人类解释的有效代理,有助于NER模型的标签高效学习。实体触发器被定义为一个句子中的一组单词,这有助于解释为什么人们会识别句子中的实体。

我们众包14k实体触发器为两个精心研究的NER数据集。我们提出的触发器匹配网络模型,通过对触发器表示形式和软匹配模块的联合学习和自关注,可以方便地对不可见的句子进行标记。实验表明,该框架具有更高的成本效益,使用20%的触发注释语句可以获得与使用70%训练数据的传统监督方法相当的性能。我们公开发布收集的实体触发器和我们的代码。

成为VIP会员查看完整内容
22

相关内容

【ICML2020-西电】用于语言生成的递归层次主题引导RNN
专知会员服务
21+阅读 · 2020年6月30日
【ACL2020-密歇根州立大学】语言和视觉推理的跨模态关联
【ACL2020-伯克利】预训练Transformer提高分布外鲁棒性
专知会员服务
19+阅读 · 2020年4月14日
单语言表征如何迁移到多语言去?
AI科技评论
5+阅读 · 2019年11月21日
NAACL 2019自然语言处理亮点
专知
15+阅读 · 2019年6月15日
论文浅尝 | 使用循环神经网络的联合事件抽取
开放知识图谱
25+阅读 · 2019年4月28日
一文读懂命名实体识别
人工智能头条
32+阅读 · 2019年3月29日
命名实体识别(NER)综述
AI研习社
65+阅读 · 2019年1月30日
论文浅尝 | 远程监督关系抽取的生成式对抗训练
开放知识图谱
17+阅读 · 2018年7月12日
论文浅尝 | 使用变分推理做KBQA
开放知识图谱
13+阅读 · 2018年4月15日
论文浅尝 | 变分知识图谱推理:在KG中引入变分推理框架
Generating Rationales in Visual Question Answering
Arxiv
5+阅读 · 2020年4月4日
Question Generation by Transformers
Arxiv
5+阅读 · 2019年9月14日
Arxiv
6+阅读 · 2018年4月21日
Arxiv
10+阅读 · 2018年3月23日
VIP会员
相关资讯
单语言表征如何迁移到多语言去?
AI科技评论
5+阅读 · 2019年11月21日
NAACL 2019自然语言处理亮点
专知
15+阅读 · 2019年6月15日
论文浅尝 | 使用循环神经网络的联合事件抽取
开放知识图谱
25+阅读 · 2019年4月28日
一文读懂命名实体识别
人工智能头条
32+阅读 · 2019年3月29日
命名实体识别(NER)综述
AI研习社
65+阅读 · 2019年1月30日
论文浅尝 | 远程监督关系抽取的生成式对抗训练
开放知识图谱
17+阅读 · 2018年7月12日
论文浅尝 | 使用变分推理做KBQA
开放知识图谱
13+阅读 · 2018年4月15日
论文浅尝 | 变分知识图谱推理:在KG中引入变分推理框架
相关论文
微信扫码咨询专知VIP会员