计算机应用

作者：曾碧卿, 钟广彬, 温志庆

单位：1.华南师范大学 软件学院，广东 佛山 528225；2.季华实验室 智能机器人工程研究中心，广东 佛山 528200

关键词：命名实体识别,小样本学习,原型网络,全局边界矩阵,模糊跨度

基金：国家自然科学基金资助项目(62076103);广东省基础与应用基础研究基金资助项目(2021A1515011171);广州市基础研究计划基础与应用基础研究项目(202102080282);佛山市重点领域科技攻关项目(2020001006807)

小样本命名实体识别（few-shot NER）旨在基于少量标记数据识别文本中的实体跨度和类型。近年来，基于跨度的度量学习虽然取得了不错的效果，但仍然存在2个问题：一是少量的候选跨度可能导致原型偏离群组的中心；二是与类别无关的跨度检测器可能会产生一些非实体跨度。为了解决以上问题，提出一种用于few-shot NER的融合模糊跨度的分解式模型DFSM（Decomposed Fuzzy Span Model）。在跨度检测阶段，为学习明确的实体边界信息且不受标记级别的标签依赖影响，DFSM采用全局边界矩阵检测候选跨度；而在跨度分类阶段，为增加可训练的每种实体类型的候选跨度数量，提出一种模糊跨度策略，以调整候选跨度的边界范围。同时，设计一种原型对比学习以优化基于跨度的语义表示空间。此外，为消除非实体噪声数据的干扰，引入原型边界学习以扩大非实体跨度与原型的距离。在Few-NERD和CrossNER数据集上的实验结果显示：与基线模型TadNER相比，在Few-NERD Inter设置中，DFSM的平均F1值提升了8.52个百分点，尤其是在Inter 10 way 5~10-shot设置中，DFSM的平均F1值提升了10.39个百分点，这表明DFSM对于细粒度实体类型具有更强的识别能力；与基线模型DecomMeta相比，在CrossNER 1-shot和5-shot设置中，DFSM的平均F1值分别提升了3.32和1.09个百分点，这表明DFSM在跨领域低资源场景下具有良好的泛化能力。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期