类增量少镜头命名实体识别的解耦两阶段框架

类增量少镜头命名实体识别（CIFNER）旨在识别只添加了几个新（新颖）类示例的实体类别。然而，现有的类增量方法通常会引入新的参数来适应新的类，并平等地对待所有信息，导致泛化能力较差。同时，很少有镜头方法需要对所有观察到的类进行采样，这使得它们很难转移到类增量设置中。因此，针对上述问题，提出了一种用于CIFNER任务的解耦两阶段框架方法。整个任务被转换为两个独立的任务，即实体跨度检测（ESD）和实体类别判别（ECD），这两个任务利用参数克隆和标签融合来分别学习不同级别的知识，如类别通用知识和类别特定知识。此外，还研究了不同的变体，如ESD模块中基于条件随机场（CRF）、基于词对的方法，以及ECD模块中基于加法、基于自然语言推理（NLI）和基于提示的方法，以证明解耦框架的可推广性。在三个命名实体识别（NER）数据集上进行的大量实验表明，我们的方法在CIFNER设置中实现了最先进的性能。