GlyReShot:一个识别字符的模型,并对标签进行了改进,用于对少数中国农业命名实体进行识别
Haitao Liu1, Jihua Song1, Weiming Peng2
1School of Artificial Intelligence, Beijing Normal University, Beijing, 100875, China.
Heliyon
|July 1, 2024
概括
GlyReShot通过整合字符符号来增强少数拍摄的中国农业命名实体识别 (NER). 这种新的方法解决了获得图形表示及其集成的挑战,改进了实际应用.
科学领域:
- 自然语言处理自然语言处理.
- 计算语言学 计算语言学
- 农业信息学 农业信息学
背景情况:
- 中国农业命名实体识别 (NER) 的监督学习方法由于公共数据集稀缺而存在局限性.
- 短暂的学习场景为现实世界农业NER任务提供了更实用的解决方案.
研究的目的:
- 提出GlyReShot,这是中国农业NER的一种新型模型,它集成了中文字符号的知识.
- 为了应对获取图形表示的挑战,并将其最佳地整合到少数镜头学习中.
主要方法:
- 引入了一个轻量级的模块,用于使用预定义的模板从描述性句子中获得图形表示.
- 开发了一种没有培训的标签改进策略,该策略选择性地使用基于预测信心的草图信息.
- 标注了一个新的农业NER数据集来评估拟议的模型.
主要成果:
- GlyReShot有效地将字符图形信息集成到几次拍摄的NER模型中.
- 符号表示模块和改进策略成功地解决了少数镜头设置中的关键挑战.
- 实验结果验证了GlyReShot在新注释的农业NER数据集上的有效性.
结论:
- GlyReShot在中国农业NER中显示出显著的改进.
- 关于符号表示和选择性集成的建议方法对于少数射击学习至关重要.
- 这项工作为具有有限标记数据的农业NER提供了切实可行的解决方案.
