行业首个少样本NER数据集，清华联合阿里达摩院开发

本文经AI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）作为NLP的一项基本任务，其日常是训练人工智能（zhang）对一段文本中的专有名词（人名、地名、机构名等）进行识别和分类。

翻译成计算机语言，就是从一段非结构化的自然语言中找到各种实体，并将其分为合适的类别。且避免出现“江大桥同志到底就任了多少年南京市长”这样的问题

但在数据缺乏，样本不足的前提下，如何基于先验知识进行分类和学习，这就是目前NLPer面临的一道难题——少样本（Few-Shot）。

虽然已有越来越多针对少样本NER的研究出现（比如预训练语言模型BERT），但仍没有一个专属数据集以供使用。

而现在，共包含来自维基百科的18万条句子，49万个实体和460万标注，并具有8个粗粒度（coarse-grained types）实体类型和66个细粒度（fine-grained types）实体类型的数据集来了。

这就是清华大学联合阿里达摩院共同开发的，行业内第一个人工标注（human-annotated）的少样本NER数据集，FEW-NERD。

什么样的数据集？

对比句子数量、标记数、实体类型等统计数据，FEW-NERD比相关领域内已有的NER数据集都要更大。

此外，它也是规模最大的人工标注的数据集。

为实体命名常常需要联系上下文，尤其是在实体类型很多时，注解难度将大大增加。

而FEW-NERD的注释来自70位拥有语言学知识的注释者，以及10位经验丰富的专家。

具体而言，每个段落会交由两人独立完成注释，然后由专家审查，再对分批抽取数据进行双重检查。这很好地保证了注释的准确性。

比如上述“London is the fifth album by the British rock band…”这句话中的实体“London”，就被准确标注成了“Art-Music”。

而在以段落为单位进行标注时，因为样本量并不多，所以FEW-NERD数据的类别分布预计是相对平衡的，这也是它与以往NER数据集的一个关键区别。

并且在实践中，大多数未见的实体类型都是细粒度的。而传统的NER数据集（如CoNLL’03、WNUT’17、OntoNotes）只包含4-18个粗粒度的类型。

这就难以构建足够多的N元任务（N-way metatasks），并训练学习相关特征。

相比之下，FEW-NERD共包含了112个实体标签， 并具有8个粗粒度实体类型，和66个细粒度实体类型。

基准的选择

为了探索FEW-NERD所有实体类型之间的知识相关性（knowledge correlations），研究者进行了实体类型相似性的实证研究。

△方块代表两个实体类型的相似度。

从实验结果得知，相同粗粒度类型的实体类型具有较大的相似性，从而使知识迁移更加容易。

这启发了研究者从知识迁移的角度进行基准设定。最终设置了三个基准：

• FEW-NERD (SUP)
  采用标准的监督式NER设置，将70%的数据随机分割为训练数据，10%为验证数据，20%为测试数据。

• FEW-NERD(INTRA)
  少样本学习任务，只包含粗粒度实体类型。

• FEW-NRTD (INTER)
  少样本学习任务，包含60%的细粒度类型，20%的细粒度类型。

实际的应用

针对少样本命名实体识别，FEW-NERD提供了一个同时包含粗粒度和细粒度，且统一基准的大型数据集。

而作者也指出，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，在监督学习、终身学习、开放信息抽取、实体分类等任务上也可以发挥作用。

此外，建立在FEW-NERD基础上的模型和系统，还能帮助构建各个领域的知识图谱（KGs），包括生物医学、金融和法律领域，并进一步促进NLP在特定领域的应用发展。

开发者还表示，将在未来增加跨域注释、远距离注释和更精细的实体类型来扩展FEW-NERD。

数据集官网链接：
https://ningding97.github.io/fewnerd/
数据集下载：
https://github.com/thunlp/Few-NERD
论文地址：
https://arxiv.org/abs/2105.07464