ner新的打开方式

        ner目前主流的打开方式就是抽取器(lstm,cnn,transformer)+crf。今天介绍几种新的ner打开方式-prompt learning。prompt learning主要运用低资源场景下的ner，依靠预训练模型中通用的语言知识，能够应对数据少的ner场景。还有一个好处是可以做到持续学习，在新增实体label时，以前的模型需要重新训练，而prompt learning的方式可以通过构建相应template数据做到继续训练学习。

1.LightNER       

论文链接：https://arxiv.org/pdf/2109.00720.pdf

         主要的模型结构是编码器+ 解码器的生成方式，解码器生成的输出是下标，下标对应的是word index+entity index。因为ner其实有两个输出，一个是抽取一个分类。这里的输出设计也很巧妙。词和实体label共同组成了一个输出词表，依次是输入的词和所有的实体标签。解码器输出下标如果是在word下标范围内就表示模型抽取到了实体，而下一个时间步输出的应该是该实体的标签，所以通过输出词下标和标签下标的交替组合得到ner的两个输出。

 2.Template-free Prompt Tuning for Few-shot NER 

论文链接：https://arxiv.org/pdf/2109.13532.pdf

        改方法通过Label Word Engineering找到每个实体标签下的代表词汇，在预训练模型的字符输出时，实体词汇会输出对应实体标签的代表词，非实体词会输出本身。该方法看似不需要人工构造prompt template，但是需要进行label word search。

3.Template-Based Named Entity Recognition Using BART

论文链接：https://arxiv.org/pdf/2106.01760.pdf

         该方法就是比较直接的prompt learning的形式了，设计了template，使用了编码器解码器结构的预训练模型。正如前面说的，ner的输出有span和label两个，在构建template的时候span的构建是通过遍历跨度长度的形式进行了，template的数量会随着query的长度而增加，相应的计算时间也会增加。