Decomposed Meta-Learning for Few-Shot Named Entity Recognition

原文链接：

https://aclanthology.org/2022.findings-acl.124.pdf

ACL 2022

介绍

        问题

         目前基于span的跨度量学习（metric learning）的方法存在一些问题：

        1）由于是通过枚举来生成span，因此在解码的时候需要额外处理重叠的span；

        2）non-entites类别的原型通常都是噪声；

        3）跨域时，最有用的信息就是当前领域有限的样本，之前的方法只将这些样本用于分类的相似性计算。

        IDEA 

        作者提出分解元学习（decomposed meta-learning）的方法来解决Few-shot ner任务（实体的边界检测和实体的分类）。

        将span检测作为序列标注问题，并通过引入MAML（model-agnostic metalearning 不是很懂 可以参考这篇文章Model-Agnostic Meta-Learning （MAML）模型介绍及算法详解 - 知乎）训练span detector，从而找到一个能快速适应新实体类别的模型参数进行初始化；对于实体分类，作者提出MAML-ProtoNet来找到一个合适的向量空间对不同类别的span进行分类。 

方法

        整个方法的整体结构如下所示：

 Entity span Detection

        &nbs