CrossNER：跨领域命名实体识别评测
计算与语言
2020-12-15 v2 人工智能
摘要
跨领域命名实体识别（NER）模型能够应对目标领域NER样本稀缺的问题。然而，现有多数NER基准缺乏领域专用实体类型或未聚焦于特定领域，导致跨领域评测效果有限。为克服这些障碍，我们引入一个跨领域NER数据集（CrossNER），这是一个完全标注的NER数据集合，涵盖五个不同领域并带有各领域专用的实体类别。此外，我们还提供了一领域相关语料库，因为使用该语料继续预训练语言模型（领域自适应预训练）对领域适配有效。随后我们开展全面实验，探究利用不同层级领域语料与预训练策略进行跨领域任务的领域自适应预训练的有效性。结果表明，在领域自适应预训练中聚焦于含领域专用实体的部分语料，并采用更具挑战性的预训练策略，有益于NER领域适配，且我们所提方法能持续优于现有跨领域NER基线。尽管如此，实验也揭示了该跨领域NER任务的挑战性。我们希望我们的数据集与基线能推动NER领域适配研究。代码与数据见 https://github.com/zliucr/CrossNER。
引用
@article{arxiv.2012.04373,
title = {CrossNER: Evaluating Cross-Domain Named Entity Recognition},
author = {Zihan Liu and Yan Xu and Tiezheng Yu and Wenliang Dai and Ziwei Ji and Samuel Cahyawijaya and Andrea Madotto and Pascale Fung},
journal= {arXiv preprint arXiv:2012.04373},
year = {2020}
}
备注
Accepted in AAAI-2021