Cross Domain_NER

跨域_ner

使用跨域语言建模，ACL 2019论文代码的跨域NER。

介绍

NER是NLP的基本任务。由于标记的资源的限制，跨域NER一直是一项具有挑战性的任务。以前的大多数工作都集中在监督场景上，利用用于源和目标域的标记数据。这种设置的缺点是他们无法训练没有标记数据的域。

我们使用跨域LM作为NER域适应性的桥梁交叉域解决了这个问题。通过设计新型参数生成网络来执行交叉任务和跨域转移。

CBS Scitech新闻数据集的实验表明，我们的模型可以有效地允许无监督的域适应，同时也可以在具有完全不同实体类型的域之间引导监督域的适应性（即新闻与生物医学）。

单个任务模型的天真基线（纸上的STM ）主要遵循NCRF ++。

有关更多详细信息，请参阅我们的论文：

使用跨域语言建模的跨域NER
Chen Jia，Xiaobo Liang和Yue Zhang*
（*通讯作者）
ACL 2019

要求

 Python 2 or 3 
PyTorch 0.3

一个GPU的内存应不少于8GB，以适合该模型。

预处理的嵌入

手套100维单词向量（从这里引用）。

数据集

来源域：

CONLL-2003英语NER数据。

目标域

• 无监督：CBS Scitech新闻（测试集）（在：` unsupervise_domain_adaptation data news_tech tech_test）。
  
• 监督：BIONLP13PC数据集和Bionlp13cg数据集。

LM原始数据

retures域原始数据与CONLL-2003数据集一起释放。
Scitech新闻域原始数据下载。
路透社新闻领域原始数据下载。

用法

命令

supervised_domain_adaptation ， unsupervised_domain_adaptation和combined_SDA_and_UDA可以使用以下命令使其运行。

 python main.py --config train.NER.config

文件train.NER.config在NCRF ++之后包含数据集路径和模型超参数。

输入格式

• 我们建议使用IBOES标签样式用于NER数据集。
• 我们建议使用单句话的输入样式，以使用单词分割来进行原始数据。

引用：

如果您使用我们的数据或代码，请引用我们的论文如下：

 @inproceedings{jia2019cross,
  title={Cross-domain ner using cross-domain language modeling},
  author={Jia, Chen and Liang, Xiaobo and Zhang, Yue},
  booktitle={Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics},
  pages={2464--2474},
  year={2019}
  organization={Association for Computational Linguistics}
}

更新

• v2。在combined_SDA_and_UDA中结合监督场景和无监督的方案。
• V1。 supervised_domain_adaptation中的先前监督场景；
  unsupervised_domain_adaptation中的以前的无监督场景；