历史文本命名实体识别的时间融合策略研究

时间变化对历史文本中的命名实体识别（NER）提出了独特的挑战，其中实体的表面形式和显着性随着时间的推移而漂移。虽然语言模型 (LM) 在各种 NLP 任务中取得了进展，但它们推理时间性的能力，特别是在历时上下文中，仍然有限，或者至少是值得怀疑的。在本文中，我们系统地研究了如何使用一系列轻量级融合策略将时态元数据结构性地嵌入到 NER 模型中。我们尝试使用绝对和相对时间表示，通过早期或晚期融合机制（例如交叉注意、适配器和串联）注入基于 Transformer 的架构。我们对法国和德国历史数据集的评估表明，后期融合策略会产生更稳健和时间上可概括的性能，特别是在早期和嘈杂的时期。