本文经人工智能新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。NER（命名实体识别）是NLP的一项基本任务。它的日常工作是训练人工智能（zhang）对一段文本中的专有名词（人名、地名、机构名称等）进行识别和分类。△烟台：我惹谁了？翻译成计算机语言就是从一段非结构化的自然语言中找出各种实体，并将它们归类到合适的类别中。并回避“蒋大桥同志当南京市长多少年了？”的问题。然而，在数据匮乏、样本不足的前提下，如何基于先验知识进行分类学习，是NLPer目前面临的一个难题——Few-Shot。尽管针对少样本NER（如预训练语言模型BERT）的研究越来越多，但仍然没有专门的数据集可供使用。现在，它总共包含来自维基百科的180,000个句子、490,000个实体和460万个注释，并且具有8个粗粒度类型和66个细粒度类型。数据集在这里。△已被ACL-IJCNLP2021录用。这是清华大学与阿里达摩院联合开发的业界首个人工标注的少样本NER数据集FEW-NERD。什么样的数据集？对比句子数量、标签数量、实体类型等统计数据，FEW-NERD比相关领域现有的NER数据集更大。此外，它还是最大的人工标注数据集。命名实体往往需要上下文，尤其是实体类型较多的时候，注解的难度会大大增加。FEW-NERD注释来自70名具有语言知识的注释者和10名经验丰富的专家。具体而言，每段由两人独立注释，然后由专家审阅，并在批次绘制的数据上进行复核。这对于标注的准确性是一个很好的保证。例如，上面这句话“LondonisthefifthalbumbytheBritishrockband...”中的实体“London”被准确标记为“Art-Music”。在段落标注时，由于样本量不大，FEW-NERD数据的类别分布有望相对均衡，这也是它与以往NER数据集的一个关键区别。在实践中，大多数看不见的实体类型都是细粒度的。而传统的NER数据集（例如CoNLL'03、WNUT'17、OntoNotes）仅包含4-18种粗粒度类型。这使得构建足够多的N路元任务和训练学习相关特征变得困难。相比之下，FEW-NERD总共包含112个实体标签，具有8个粗粒度实体类型和66个细粒度实体类型。△内圈代表粗粒度实体类型，外圈代表细粒度实体类型。基准的选择为了探索FEW-NERD中所有实体类型之间的知识相关性，研究人员对实体类型相似性进行了实证研究。△方块表示两种实体类型的相似度。从实验结果可知，相同粗粒度类型的实体类型具有更大的相似性，这使得知识迁移更容易。这启发了研究人员从知识转移的角度进行基准测试。最后，设置了三个基准：FEW-NERD(SUP)使用标准的监督NER设置，其中70%的数据随机拆分为训练数据，10%作为验证数据，20%作为测试数据。FEW-NERD(INTRA)只包含粗粒度实体类型的小样本学习任务。FEW-NRTD(INTER)少样本学习任务，包含60%细粒度类型，20%细粒度类型。实际应用对于少样本命名实体识别，FEW-NERD提供了一个包含粗粒度和细粒度的统一基准的大型数据集。作者还指出，由于精确的上下文标注，FEW-NERD数据集不仅可以用于少样本场景，还可以在监督学习、终身学习、开放信息抽取、实体识别等任务中发挥作用分类。此外，基于FEW-NERD的模型和系统还可以帮助构建生物医学、金融、法律等各个领域的知识图谱（KGs），进一步推动NLP在特定领域的应用发展。开发者还表示，未来FEW-NERD将通过添加跨域标注、远距离标注和更细的实体类型来扩展。Dataset官网链接：https://ningding97.github.io/fewnerd/dataset下载：https://github.com/thunlp/Few-NERD论文地址：https://arxiv.org/abs/2105.07464
