.png){kind=icon}
返回
Controlled Attention-Based Prototype Representation Learning for Named Entity Recognition
.png){kind=icon}
OA
AI
DOI：10.1007/s12559-026-10584-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于原型的方法的命名实体识别（NER）通常使用字符或跨度构建实体表示。然而，由于嵌套实体中的上下文信息重叠，这些表示通常变得模糊，使得难以准确测量实体实例与其对应原型之间的距离。为了解决这个问题，我们提出了一种基于可控注意力的句子级原型NER框架。我们的方法引入了边界感知注意力提示，使模型能够感知实体边界并建立实体与整个句子之间的全局语义依赖关系。该框架由三个关键组件组成：（1）用于边界感知句子编码的注意力提示生成，（2）抽象实体上下文语义以获得区分性实体表示，（3）通过对比学习进行原型表示学习。具体来说，我们首先生成注意力提示以构建句子级实体实例，然后提取上下文特征以形成抽象表示，最后通过对比目标学习类特定原型。一系列实验结果表明了我们的方法的有效性。特别是在CoNLL2003数据集上，我们的方法相比之前的原型方法实现了6.37%更高的F1分数，且标准差更小，表明了更优的性能和改进的稳定性。
Keyword:
Prototype networks
Entity recognition
Controlled attention
Contrastive learning
