基于对比学习的半监督命名实体识别

徐世琤; 祁瑞艳; 李龙杰; 马笠恭; 马志新

doi:10.13885/j.issn.0455-2059.2025.05.010

兰州大学学报（自然科学版） ›› 2025, Vol. 61 ›› Issue (5) : 634 -642. DOI: 10.13885/j.issn.0455-2059.2025.05.010

基于对比学习的半监督命名实体识别

徐世琤, 祁瑞艳, 李龙杰, 马笠恭, 马志新

作者信息 +

Author information +

文章历史 +

摘要

针对命名实体识别(NER)模型对大规模标注数据的过分依赖,以及半监督学习中忽略低置信度复杂样本的问题,提出一种新的半监督NER框架(CUPL),以充分利用包括不可靠样本在内的所有伪标签数据. CUPL模型对未标注数据实施数据增强,基于概率分布对预测得到的伪标签样本进行分类,区分出可靠与不可靠样本,通过构建正例对(原始样本与可靠样本)和负例对(原始样本与不可靠样本),计算样本对之间的相似性,以增强正例对的一致性并减少负例对的一致性,进而提升模型区分不同样本的能力. CUPL模型在CoNLL 2003、 GermEval 2014和GSNews Data数据集上的性能超过现有技术,验证了其在NER任务中的有效性.