One Model for All Domains: Collaborative Domain-Prefix Tuning for Cross-Domain NER

要約

クロスドメイン NER は、実際のシナリオでリソース不足の問題に対処するのは困難なタスクです。
従来の一般的なソリューションは主に、豊富なリソースのドメインからのデータを使用して事前トレーニングされた言語モデル (PLM) によって NER モデルを取得し、それをターゲット ドメインに適応させます。
異なるドメインのエンティティ タイプ間の不一致の問題により、以前のアプローチでは通常、PLM のすべてのパラメーターが調整され、最終的に各ドメインに対してまったく新しい NER モデルが作成されます。
さらに、現在のモデルは、1 つの一般的なソース領域の知識を活用することのみに焦点を当てており、複数のソースからターゲットに知識をうまく転送できません。
これらの問題に対処するために、テキスト間生成 PLM に基づくクロスドメイン NER (CP-NER) 用の Collaborative Domain-Prefix Tuning を導入します。
具体的には、構造を変更せずに新しいドメインの NER タスクに知識を移すためのテキストからテキストの生成基礎ドメイン関連のインストラクターを紹介します。
私たちは凍結された PLM を利用し、協調的なドメイン プレフィックス チューニングを実施して、さまざまなドメインにわたる NER タスクを処理する PLM の可能性を刺激します。
Cross-NER ベンチマークの実験結果は、提案されたアプローチには柔軟な転送能力があり、1 ソースと複数ソースの両方のクロスドメイン NER タスクでより優れたパフォーマンスを発揮することを示しています。
コードは https://github.com/zjunlp/DeepKE/tree/main/example/ner/cross で入手できます。

要約(オリジナル)

Cross-domain NER is a challenging task to address the low-resource problem in practical scenarios. Previous typical solutions mainly obtain a NER model by pre-trained language models (PLMs) with data from a rich-resource domain and adapt it to the target domain. Owing to the mismatch issue among entity types in different domains, previous approaches normally tune all parameters of PLMs, ending up with an entirely new NER model for each domain. Moreover, current models only focus on leveraging knowledge in one general source domain while failing to successfully transfer knowledge from multiple sources to the target. To address these issues, we introduce Collaborative Domain-Prefix Tuning for cross-domain NER (CP-NER) based on text-to-text generative PLMs. Specifically, we present text-to-text generation grounding domain-related instructors to transfer knowledge to new domain NER tasks without structural modifications. We utilize frozen PLMs and conduct collaborative domain-prefix tuning to stimulate the potential of PLMs to handle NER tasks across various domains. Experimental results on the Cross-NER benchmark show that the proposed approach has flexible transfer ability and performs better on both one-source and multiple-source cross-domain NER tasks. Codes are available in https://github.com/zjunlp/DeepKE/tree/main/example/ner/cross.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google