CLNER

新的FSE模型增强了命名实体识别的持续学习能力

研究人员推出了一种新颖的FSE模型，用于命名实体识别的持续学习（CLNER）。该方法旨在使模型能够逐步学习新的实体类型，而不会丢失先前获得的知识。FSE利用一个快速专家进行高效的跨度过滤，以及一个慢速专家进行特定任务的分类，从而稳定学习过程并减轻单个任务的负担。在OntoNotes和FewNERD等基准数据集上的实验表明，FSE在CLNER场景中取得了最先进的性能。