SCL-RAI: Span-based Contrastive Learning with Retrieval Augmented Inference for Unlabeled Entity Pr

问题：在命名实体识别（NER）中，未标记的实体问题如何影响NER性能？

解决方案：

1. 通过SCL-RAI方法来解决未标记的实体问题。
2. 首先，通过基于跨度的对比学习减小具有相同标签的跨度表示之间的距离，同时增加具有不同标签的跨度表示之间的距离。这有助于减少实体之间的歧义，并提高模型对未标记实体的鲁棒性。
3. 接着，提出了检索增强推理方法，以缓解决策边界移动的问题。

结果：
4. 提出的方法在两个真实世界数据集上的F1得分分别比之前的最优方法提高了4.21%和8.64%。
代码;
https://github.com/PKUnlp-icler/SCL-RAI