.png){kind=icon}
返回
Diffusion-based multi-feature extraction and fusion method for named entity recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122877.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
命名实体识别（NER），作为自然语言处理（NLP）中的一个重要任务，面临着扁平实体与嵌套实体共存这一复杂场景。本研究旨在通过引入基于扩散的多特征提取与融合方法（DMFNER）来解决现有方法的局限性，该框架旨在逐步优化实体边界并增强上下文表示。现有NER方法在处理复杂嵌套结构时，难以准确捕捉实体边界与类型之间的语义关系，同时亦难以获取丰富的上下文信息、多层级语义关系，且未能充分利用多通道信息。为克服这些挑战，DMFNER采用边界去噪扩散方法进行NER，从噪声跨度生成命名实体。与此同时，该方法结合了多特征提取与融合（MFEF）模块和三通道注意力机制（TCAM）模块。MFEF模块通过多种特征提取方法从不同层级和尺度提取语义信息，并选择性融合这些特征，从而增强DMFNER对复杂实体和上下文的理解。TCAM模块进一步通过动态调整特征权重来提升跨度表示的准确性。在五个扁平及嵌套NER数据集（ACE2004、GENIA、CoNLL2003、MSRA和WNUT17）上的实验表明，DMFNER分别取得了88.66%、81.82%、93.16%、94.70%和64.49%的F1分数。与现有最优基线模型相比，所提出的方法在这些数据集上实现了平均0.558个百分点的性能提升，在对比方法中表现最佳。这些结果表明，DMFNER在实用NLP系统中具有增强下游任务（如关系抽取、问答和知识图谱构建）的潜力。此外，消融实验和案例分析进一步验证了模型各组件对整体性能提升的贡献。DMFNER的源代码已公开，地址为：https://github.com/zhenbotang/ DMFNER。
Keyword:
Named entity recognition
Diffusion model
Multi-feature extraction
Triple-channel attention mechanism
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
A diffusion enhanced CRF and BiLSTM framework for accurate entity recognition一种基于扩散增强的CRF与BiLSTM框架，用于精确实体识别
PREAI
分享收藏HIT: Nested Named Entity Recognition via Head-Tail Pair and Token InteractionHIT: 通过头尾对和令牌交互进行嵌套命名实体识别
OAAI
OAAI分享收藏Span-Prototype Graph Based on Graph Attention Network for Nested Named Entity Recognition基于图注意力网络的嵌套命名实体识别Span-Prototype图.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容