基于图匹配的跨域命名实体识别

跨域命名实体识别是实际中面临的但具有挑战性的问题，由于现实场景中的数据稀缺。常见的做法是首先在资源丰富的通用域中学习命名实体识别模型，然后将其适应到特定域。由于实体类型在不同域之间存在不匹配问题，通用域中的广泛知识无法有效地迁移到目标域的命名实体识别模型。为此，我们将标签关系建模为概率分布，在源域和目标域的标签空间中构建标签图。为增强上下文表示，融合标签图到由 BERT 生成的词嵌入输出中。通过将标签关系表示为图，我们将跨域命名实体识别问题形式化为图匹配问题。此外，所提出的方法与预训练方法具有很好的兼容性，可能也能应用于其他跨域预测任务。在四个数据集上的实验结果表明，我们的方法优于一系列迁移学习、多任务学习和少量学习方法。