摘要

现有的跨域命名实体识别（NER）模型依赖于大量未标注语料库或目标领域的标注NER训练数据。然而，为低资源目标领域收集数据不仅成本高昂，而且耗时较长。因此，我们提出了一种无需任何外部资源的跨域NER模型。首先，我们通过添加一个新的目标函数来检测标记是否为命名实体，引入了多任务学习（MTL）。接着，我们引入了一个称为实体专家混合（Mixture of Entity Experts, MoEE）的框架，以提高在零资源领域适应中的鲁棒性。最后，实验结果表明，我们的模型优于强大的无监督跨域序列标注模型，并且其性能接近利用大量资源的最先进模型。