Multi-BERT：利用适配器和提示调优的低资源多领域适应

文本数量和多样性的迅速扩展在多领域设置中带来了严峻挑战。这些挑战在波斯语命名实体识别(NER)设置中也很明显。传统方法，要么对多个领域采用统一模型，要么对每个领域采用单独模型，常常带来显著限制。单一模型通常难以捕捉不同领域的细微差别，而使用多个大型模型可能导致资源限制，使得为每个领域训练模型几乎不切实际。因此，本文引入了一种新颖的方法，由一个核心模型和多组领域特定参数组成。我们利用提示调优和适配器等技术，结合额外层的加入，来添加我们可以针对特定领域训练的参数。这使得模型能够与每个领域的单独模型性能相当。在不同正式和非正式数据集上的实验结果表明，通过使用这些添加的参数，所提出的模型在性能上显著超越了现有的实用模型。值得注意的是，所提出的模型仅需一个实例进行训练和存储，但在所有领域都取得了出色的结果，甚至在某些领域超越了最先进水平。此外，我们分析了每种适应策略，描述了其优势、劣势以及波斯语NER设置的最优超参数。最后，我们引入了一个基于文档的领域检测管道，专为未知文本领域的场景设计，增强了本文在实际应用中的适应性和实用性。