题目：《学习’ O ‘更有助于学习：处理Class - Incremental NER的未标记实体问题》
代码地址：https://github.com/rtmaww/O_CILNER

总体概述

在这项工作中，作者对"未标记实体问题"进行了实证研究，发现它导致了" O “和实体之间的严重混淆，降低了旧类的类区分度，并降低了模型学习新类的能力。为了解决未标注实体问题，作者提出了一种新颖的表示学习方法来学习实体类和” O “的判别性表示。具体来说，作者提出了一种实体感知的对比学习方法，自适应地检测’ O ‘中的实体簇。此外，为了更好地学习旧类，作者提出了两种有效的基于距离的重标记策略。我们为类别增量NER引入了一个更加真实和具有挑战性的基准测试集，所提出的方法在基准测试集上取得了高达10.62 %的提升

主要方法

使用Supcon Loss（一种对比损失的变体）来学习面向实体的特征空间。对比损失通常用于通过在特征空间中将相似的实体拉近、不同的实体推远来学习表示；非线性映射和阈值计算：实体被映射到一个非线性的特征空间，在这个空间中，计算一个新的实体阈值用于选择锚点（参考点）和正样本（相似点）。通过这样的方法来学习实体类和“O”类以判别同一实体类型内的变化中区分不同的实体