仅标注提及即可实现高效领域自适应的共指消解
计算与语言
2023-06-01 v2
摘要
尽管近期神经共指消解模型在基准数据集上取得了实质性改进,但将这些模型迁移到包含词汇表外跨度且需要不同标注方案的新目标领域仍具挑战性。典型方法包括在标注的目标领域数据上继续训练,但获取标注成本高且耗时。我们表明,仅标注提及的速度几乎是标注完整共指链的两倍。据此,我们提出一种高效自适应共指模型的方法,其包含高精度提及检测目标,且只需在目标领域中标注提及。在三个英文共指数据集上的广泛评估:CoNLL-2012(新闻/对话)、i2b2/VA(医疗笔记)以及此前未研究的儿童福利笔记,揭示我们的方法促进了标注高效的迁移,并在不增加标注者时间的情况下使平均F1提升7-14%。
引用
@article{arxiv.2210.07602,
title = {Mention Annotations Alone Enable Efficient Domain Adaptation for Coreference Resolution},
author = {Nupoor Gandhi and Anjalie Field and Emma Strubell},
journal= {arXiv preprint arXiv:2210.07602},
year = {2023}
}