领域自适应是解决资源不足问题的一种通用方法，可以应用于各种任务。目前，命名实体识别（NER）任务的域适配研究通常从单一源域迁移到目标域。当目标域和源域相似时，该方法可以取得良好的识别效果。然而，当目标域和源域之间的相关性不高时，单域迁移方法有很大的局限性。为了解决这个问题，提出了一种集成多源领域贡献权重的自适应NER模型（基于重要性加权的multi领域自适应ner模型，Aristole），通过多个领域的知识转移来提高目标领域的实体识别性能。由于不同领域及其领域的样本对目标领域的重要性不同，通过计算其贡献度并将其引入ner模型，可以获得更好的模型领域适应性。最后，在多个目标场进行了实验，实验结果表明，该方法的性能优于目前的最佳方法，验证了该模型的有效性。