Reconhecimento de Entidade Nomeada com Poucos Exemplos: Definição, Taxonomia e Direções de Pesquisa

Nos últimos anos, houve um crescimento exponencial (+98% em 2022 em relação ao ano anterior) no número de artigos de pesquisa na área de aprendizado com poucos exemplos, que visa treinar modelos de aprendizado de máquina com dados disponíveis extremamente limitados. O interesse de pesquisa em sistemas de aprendizado com poucos exemplos para Reconhecimento de Entidades Nomeadas (NER) tem aumentado ao mesmo tempo. O NER consiste em identificar menções de entidades predefinidas em texto não estruturado e serve como um passo fundamental em muitas tarefas posteriores, como a construção de Grafos de Conhecimento ou Respostas a Perguntas. A necessidade de um sistema NER capaz de ser treinado com poucos exemplos anotados surge com toda a sua urgência em domínios onde o processo de anotação requer tempo, conhecimento e experiência (por exemplo, saúde, finanças, jurídico), e em línguas de baixo recurso. Nesta pesquisa, começando a partir de uma definição e descrição clara do problema NER com poucos exemplos (FS-NER), fazemos um levantamento do estado atual da arte e propomos uma taxonomia que divide algoritmos em duas macro-categorias de acordo com os mecanismos subjacentes: centricados em modelo e centricados em dados. Para cada categoria, alinhamos trabalhos como uma história para mostrar como o campo está se movendo em direção a novas direções de pesquisa. Por fim, técnicas, limitações e aspectos-chave são analisados em profundidade para facilitar estudos futuros.