面向序列遷移學習的似然比模型選擇方法

摘要：為了解決遷移學習的欠適配問題,將粒模型作為候選模型的集合,通過模型選擇的方式引入目標域的輔助模型中包含的標注規則,提出粒模型推斷中基于似然比的模型選擇方法（likelihood ratio model selection,LRMS）,實現了輔助模型與粒模型的融合。LRMS保持基于Viterbi算法的標注模型對整條序列進行計算的模式,避免了候選標注器對上下文關系的破壞。通過大量詞性標注實驗表明LRMS在每個遷移學習任務中都有準確率的提高,從而證明似然比模型選擇是一種有效的解決欠適配問題的方法。