因果关系表示增强的跨领域命名实体识别OA北大核心CSTPCD
跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域中的虚假相关性问题,提出一种因果关系表示增强的跨领域命名实体识别模型,将源域的语义特征表示与目标域的语义特征表示进行融合,生成一种增强的上下文语义特征表示。通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系。在目标域中应用因果干预和反事实推断策略,提取存在的直接因果效应,从而进一步缓解特征与标签之间的虚假相关性问题。该方法在公共数据集上进行了实验,实验结果得到了显著提高。
刘小明;曹梦远;杨关;刘杰;王杭;
中原工学院计算机学院,郑州450007 国家语委中国语言智能研究中心,北京100089 郑州市文本处理与图像理解重点实验室,郑州450007中原工学院计算机学院,郑州450007 郑州市文本处理与图像理解重点实验室,郑州450007中原工学院计算机学院,郑州450007 郑州市文本处理与图像理解重点实验室,郑州450007 河南省网络舆情监测与智能分析重点实验室,郑州450007国家语委中国语言智能研究中心,北京100089 北方工业大学信息学院,北京100144
计算机与自动化
跨领域命名实体识别迁移学习因果关系结构因果模型语义特征表示
《计算机工程与应用》 2024 (018)
P.176-188 / 13
国家自然科学基金(62076167,61772020);河南省高等学校重点科研项目(24A520058,23A520022)。
评论