文献类型：期刊文章

作　　者：李猛[1] 李艳玲[1] 林民[1]

LI Meng;LI Yanling;LIN Min(College of Computer Science and Technology,Inner Mongolia Normal University,Hohhot 010022,China)

机构地区：[1]内蒙古师范大学计算机科学技术学院,呼和浩特010022

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(61806103,61562068);内蒙古自然科学基金(2017MS0607);内蒙古民委蒙古文信息化专项扶持子项目(MW-2014-MGYWXXH-01);内蒙古自治区“草原英才”工程青年创新创业人才项目;内蒙古师范大学研究生创新基金(CXJJS19151);内蒙古自治区科技计划项目(JH20180175)。

年　　份：2021

卷　　号：15

期　　号：2

起止页码：206-218

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、ZGKJHX、核心刊

摘　　要：命名实体识别(NER)是自然语言处理的核心应用任务之一。传统和深度命名实体识别方法严重依赖于大量具有相同分布的标注训练数据,模型可移植性差。然而在实际应用中数据往往都是小数据、个性化数据,收集足够的训练数据是非常困难的。在命名实体识别中引入迁移学习,利用源域数据和模型完成目标域任务模型构建,提高目标领域的标注数据量和降低目标域模型对标注数据数量的需求,在处理资源匮乏命名实体识别任务上,具有非常好的效果。首先对命名实体识别方法和难点以及迁移学习方法进行概述;然后对近些年应用于命名实体识别的迁移学习方法,包括基于数据迁移学习、基于模型迁移学习和对抗迁移学习,进行全面综述,重点阐述了对抗迁移学习方法;最后进一步思考当前存在的问题并对未来的研究方向进行了展望。

关 键 词：命名实体识别(NER)  迁移学习  对抗迁移学习  深度学习  

分 类 号：TP391]