【论文标题】 GLaRA: Graph-based Labeling Rule Augmentation for Weakly Supervised  Named Entity Recognition

【作者团队】Xinyan Zhao,Haibo Ding,Zhe Feng

【发表时间】2021/04/14

【机 构】密歇根大学

【论文链接】https://arxiv.org/pdf/2104.06230.pdf

【推荐理由】本文收录于EACL2021，文章提出了一种基于图的标注规则增强框架，该框架可以从未标注的数据中自动学习新的标注规则。

近年来，研究人员建议使用启发式标记规则来训练命名实体识别（NER）系统，而不是使用昂贵的手工注释。然而，但是，设计标签规则具有挑战性，因为它通常需要大量的人工和领域专业知识。为了缓解这个问题，本文提出了GLARA模型，一种基于图的自动标注框架，该框架可以从未标注的数据中学习新的标注规则。具体来说，首先创建一个图，图中的节点表示从未标记数据中抽取到的候选规则。然后，通过探索规则之间的语义关系，设计了一种新的图神经网络来扩展标注规则。最后将增强规则应用到未标记的数据中以产生弱标记，并使用这些弱标记数据训练NER模型。作者在三个NER数据集上评估了提出的方法，发现在给定了少量种子规则的情况下，与最佳基准相比，可以实现+20％的F1分数平均提高。

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