缓解时间漂移：保持 NER 模型敏锐性的简单方法
计算与语言
2021-04-21 v1
摘要
命名实体识别的神经模型性能会随时间下降，变得陈旧。这种退化源于时间漂移，即我们的目标变量统计属性随时间发生变化。该问题对于社交媒体数据尤为棘手，因为话题变化迅速。为缓解此问题，数据标注与模型重训练是常见做法。尽管有用，该过程昂贵且耗时，这促使了关于高效模型更新的新研究。本文中，我们提出一种直观方法来度量推文潜在的趋势性，并利用该指标筛选最具信息量的实例用于训练。我们在 Temporal Twitter Dataset 上对三个最先进模型进行了实验。相比其他方法，我们的方法以更少的训练数据取得了更大的预测准确率提升，使其成为颇具吸引力的实用方案。
引用
@article{arxiv.2104.09742,
title = {Mitigating Temporal-Drift: A Simple Approach to Keep NER Models Crisp},
author = {Shuguang Chen and Leonardo Neves and Thamar Solorio},
journal= {arXiv preprint arXiv:2104.09742},
year = {2021}
}
备注
Accepted to SocialNLP at NAACL 2021