초록
기존의 크로스 도메인 네임드 엔티티 인식(NER) 모델은 대상 도메인에서 많은 수의 비라벨 코퍼스 또는 라벨된 NER 학습 데이터에 의존합니다. 그러나 저자원 대상 도메인에서 데이터를 수집하는 것은 비용이 많이 들 뿐만 아니라 시간도 오래 걸립니다. 따라서 우리는 외부 자원을 전혀 사용하지 않는 크로스 도메인 NER 모델을 제안합니다. 먼저, 토큰이 네임드 엔티티인지 아닌지를 감지하기 위한 새로운 목적 함수를 추가하여 다중 작업 학습(Multi-Task Learning, MTL)을 소개합니다. 그 다음, 제로 리소스 도메인 적응의 견고성을 개선하기 위해 '엔티티 전문가 혼합(Mixture of Entity Experts, MoEE)'이라는 프레임워크를 소개합니다. 마지막으로, 실험 결과는 우리의 모델이 강력한 비지도 크로스 도메인 시퀀스 라벨링 모델보다 우수하며, 성능은 광범위한 자원을 활용하는 최신 기술(state-of-the-art) 모델과 유사함을 보여줍니다.