研究人员探索了通过将时间元数据融入基于Transformer的模型来改进历史文本命名实体识别（NER）的方法。该研究系统地研究了各种轻量级融合策略，包括早期和晚期融合机制，如交叉注意力和适配器，以嵌入时间表示。在法国和德国历史数据集上的评估表明，晚期融合方法提高了鲁棒性和时间泛化能力，尤其是在早期和更嘈杂的历史时期。 AI
影响 这项研究可能带来更准确的AI模型，以理解历史文献和语言演变。
排序理由 该集群包含一篇详细介绍自然语言处理技术研究的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.27881v1 Announce Type: cross Abstract: Temporal variation poses a unique challenge for named entity recognition (NER) in historical texts, where entities drift in surface form and salience across time. While language models (LMs) have made progress in various NLP tasks…
Temporal variation poses a unique challenge for named entity recognition (NER) in historical texts, where entities drift in surface form and salience across time. While language models (LMs) have made progress in various NLP tasks, their ability to reason about temporality, espec…