Prompt在NER场景的应用

本文总结了5篇使用prompt做NER的研究论文。

1. TemplateNER

论文标题：

Template-Based Named Entity Recognition Using BART

论文链接:

github:

核心思想：通过N-Gram方法构建候选实体，然后将其与所有手工模板进行拼接，使用BART模型对其打分，从而预测出最终实体类别。

2. DemonstrationNER

论文标题：

Good Examples Make A Faster Learner: Simple Demonstration-based Learning for Low-resource NER

论文链接:

github:

核心思想：在原始文本的基础上，拼接示例模板信息，提高原始序列标注模型的效果。

3. LightNER

论文标题：

LightNER: A Lightweight Generative Framework with Prompt-guided Attention for Low-resource NER

论文链接:

github:

核心思想：将原始序列标注任务转化为Seq2Seq的生成任务，通过在transformer的attetion机制中融入提示信息，在少量参数训练下，使模型达到较好的效果。

4. EntLM

论文标题：

Template-free Prompt Tuning for Few-shot NER

论文链接:

github:

核心思想：将序列标注任务变成原始预训练的LM任务，仅通过答案空间映射，实现任务转化，消除下游任务与原始LM任务的Gap，提高模型效果。

5. UIE

论文标题：

Unified Structure Generation for Universal Information Extraction

论文链接:

github:

核心思想：将序列标注任务转化为Seq2Seq的生成任务，将手工提示模板与原始文本进行结合，通知模型待抽取的内容，再通过特定的抽取格式，进行逐字解码生成，提高模型效果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除