.png){kind=icon}
返回
Entity Span Suffix Classification for Nested Chinese Named Entity Recognition
.png){kind=icon}
OA
AI
DOI：10.3390/info16100822.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
命名实体识别（NER）是构建知识图谱的基本任务之一。对于某些领域特定的语料库，文本描述表现出有限的标准性，且部分实体结构存在实体嵌套。现有的实体识别方法存在词语匹配噪声干扰以及难以区分序列标注预测中同一字符的不同实体标签等问题。本文提出了一种基于跨度特征复用的堆叠双向长短期记忆网络（BiLSTM）嵌套命名实体识别（SFRSN）模型，将序列预测中的实体识别转化为实体跨度后缀类别分类问题。首先，通过Transformer的双向编码器表示（BERT）生成字符特征嵌入。其次，提出特征复用的堆叠BiLSTM，以获取深层上下文特征，同时缓解深层网络退化问题。第三，通过空洞卷积神经网络（DCNN）获取跨度特征，并引入单尾选择函数以获取实体跨度的分类特征，旨在减少训练参数。第四，提出全局特征门控注意力机制，整合跨度特征和跨度后缀分类特征以实现跨度后缀分类。在四个中文特定领域数据集上的实验结果表明了该方法的有效性：SFRSN在ontonotes上达到83.34%的micro-F1分数，在weibo上为73.27%，在resume上为96.90%，在供应链管理数据集上为86.77%。相较于当前最优基线，分别提升了1.55%、4.94%、2.48%和3.47%。实验结果证明了该模型在处理嵌套实体和实体标签歧义问题上的有效性。
Keyword:
named entity recognition
feature reuse stacked BiLSTM
single-tail selection function
DCNN
global feature gated attention mechanism
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
2.9
论文数:
861
被引数:
9.8K
机构
暂无机构信息
引用论文
Multi-granularity cross-modal representation learning for named entity recognition on social media面向社交媒体命名实体识别的多粒度跨模态表示学习
PREAI
分享收藏State of Health Estimation of Lithium-Ion Batteries Based on Hybrid Neural Networks with Residual Connections基于剩余连接混合神经网络的锂离子电池健康状态估计
OAAI
OAAI分享收藏分享收藏Multi-Task Multi-Attention Transformer for Generative Named Entity Recognition面向生成式命名实体识别的多任务多注意力变换器
PREAI
分享收藏Global Span Semantic Dependency Awareness and Filtering Network for nested named entity recognition.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏An adaptive multi-neural network model for named entity recognition of Chinese mechanical equipment corpus一个用于中文机械设备语料库命名实体识别的自适应多神经网络模型
PREAI
分享收藏The interactive fusion of characters and lexical information for Chinese named entity recognition中文命名实体识别中字符与词汇信息的交互融合OAAI
OAAI分享收藏
查看更多内容