跨越数个世纪的迁移学习：机器与历史学家融合方法解读承政院日记

命名实体识别与分类在捕获数据语义、锚定翻译及历史下游研究中起着首要且至关重要的作用。然而，历史文本中的NER面临诸多挑战，如标注语料稀缺、多语言多样性、各种噪声以及与当代语言模型迥异的惯例。本文介绍了记录数个世纪、近期由历史学家细致标注了命名实体信息及短语标记朝鲜历史语料《承政院日记》（SeungJeongWon）。我们在历史语料上微调语言模型，使用我们的语言模型与预训练多语言模型进行了广泛的对比实验。我们提出时间与标注信息结合的假设，并基于统计t检验进行了验证。我们的发现表明，短语标记显著提升了NER模型在预测写于远不同时期的文档中未见实体时的性能；同时显示，单独的短语标记与语料特定的训练模型均不能改善性能。我们讨论了未来研究方向及解读历史文献的实用策略。