.png){kind=icon}
返回
Semi-supervised named entity recognition with data augmentation by structured consistency training
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127464.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
命名实体识别（NER）是自然语言理解流水线中的一个基础任务，然而当前最优的NER模型通常需要大量人工标注的序列数据。在本工作中，我们提出了一种新颖的半监督NER方法，通过利用丰富的未标注数据进行数据增强。一致性训练被用于规范化模型预测，使其对数据增强引入的小噪声保持不变。此外，为了捕捉命名实体识别的结构化预测特性，我们提出了一种无监督的结构化一致性损失，以促进原始序列和增强序列之间的标记间依赖关系的一致性。在原理上，所提出的结构化一致性训练可以将任何有监督NER模型转换为半监督模型，从而能够轻松利用有监督NER的进展。我们进一步提供了达到特定误差率所需标注序列数量的理论分析。实验在两个NER数据集上进行，结果表明所提出方法的有效性。
Keyword:
Named entity recognition
Semi-supervised learning
Data augmentation
Consistency training
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏Enhancing Low-Resource NLP by Consistency Training With Data and Model Perturbations通过数据和模型扰动的一致性训练来增强低资源NLP
PREAI
分享收藏Virtual Adversarial Training: A Regularization Method for Supervised and Semi-Supervised Learning虚拟对抗训练: 一种监督和半监督学习的正则化方法
OAAI
OAAI分享收藏 没有更多内容
没有更多内容