通过多维量化和推理增强减轻跨域 NER 中的实体类型混乱

跨域命名实体识别（CD-NER）旨在将源领域的丰富知识转移到目标领域。最近采用分解或生成范例的研究取得了显着的性能改进，证明了实体跨度检测的高精度。然而，在实体类型分类过程中，模型严重遭受实体类型混淆，即模型将文本中的一种类型的实体分类为另一种相似但不正确的类型的错误倾向。为了解决这个问题，我们首先提出了多维混淆量化模型（MCQM），从源-目标层次分析、语义相似性分析和显式数据评估三个维度量化实体类型之间模型的混淆程度。此外，我们提出了渐进式双向推理链（PBRC）。 PBRC 利用 MCQM 的源-目标层次结构和混淆分析来提示 LLM 生成两阶段推理信息。利用两阶段推理信息来增强模型的知识，显着减轻实体类型混乱并提高模型的泛化性能。实验结果表明，我们的方法在 CrossNER 数据集的所有领域上都取得了最新的结果。