原文链接：https://arxiv.org/pdf/2203.17103.pdf

预发表论文

介绍

        受到增强式检索方法的启发，作者提出了kNN-NER，通过检索训练集中k个邻居的标签分布来提高模型命名实体识别分类的准确性。该框架能够通过充分利用训练信息来解决样本类别不平衡问题。

方法

         整个模型的框架如下图所示，作者提出的框架在训练阶段不需要进行额外的操作，可以适配于多样的序列标注模型：

Background: Vanilla NER

        给定一个长为n的句子，序列标注任务就是为句子中的每个单词分配一个标签，有N个样本的训练集表示为：

        具体的，使用一个encoder（文中使用的是Bert和RoBert）来得到每个词的向量表示，然后通过一个MLP得到每个词属于每个类别的分数：

k Nearest Neighbor NER

        使用基础的序列标注得到句子中每个词的标签分布pNER后，在datastore中找到离其最近的k个邻居，结合这k个邻居的标签来进行调整。

        datastore D是训练集中每个词的embedding（）与其实体（）之间对应的键值对集合：

       找到词xi与D中欧式距离最近的k个邻居实体集N，然后根据RBF核（高斯核函数 可以理解为将非线性的向量映射为线性可分的向量）方法转成输出分布，将检索到的命名实体集转换为整个命名实体词汇的分布，预测标签为实体ej的概率与N中所有值的核输出成正比（ej表示实体词汇表中第j个实体，T是一个调节参数，用于平缓分布）：

        另外，对于没有出现在检索集中的标签，将其概率设置为0。最后，将普通NER框架得到的标签分布pNER与pkNN进行结合，为权重系数：

实验

对比实验

        在英文数据集conll03和ontoNotes上进行了实验，结果如下所示：

         在中文数据集ontoNoto、MSRA和Weibo数据集上进行了实验，结果如下所示：

消融实验

        作者为了探究模型在低资源场景下的表现，在不同大小的训练集上进行了实验，结果如下所示：

        可以看出，作者提出的方法在相同精度的情况下，所需的训练数据可以少40%。

        作者对K的取值进行了实验，结果如下所示：

         较大的K值表示可以检索出更多信息，随着K值的增加，新检索的样本与当前输入样本的相似性降低，对模型性能的提升也是微乎其微的。当k足够大时，模型的性能不再变化，作者认为这体现了模型的稳健性，即对K值不敏感。

总结

        本文提出的框架是在标签分类上进行处理，整体思想很简单，在训练集中选取相似词的标签情况来调整结果，怎么感觉有点作弊一样？作者也提到，能提升模型的性能是因为“开卷考试比闭卷要简单”！而且通过实验可以看到作者选取的K并不小，也意味着计算量大的问题。