一个边界增强的多任务神经注意力方法,用于中国命名实体识别

科学领域:

• 自然语言处理自然语言处理.
• 计算语言学 计算语言学
• 人工智能的人工智能

背景情况:

• 命名实体识别 (NER) 对中国的信息处理至关重要.
• 在中文中没有明确的词界限,这给NER任务带来了独特的挑战.

研究的目的:

• 为中国的NER提出一种新的方法,将其作为一个共同的任务.
• 通过将边界检测与实体识别相结合来提高NER性能.

主要方法:

• 使用编码器-解码器架构,将NER的序列标记和边界预测的二进制分类结合起来.
• 混合嵌入和卷积注意网络用于增强的词汇表示和上下文信息提取.
• 两个Bi-GRU网络预测实体开始/结束,一个特征融合层集成主要和辅助任务.

主要成果:

• 拟议的多任务学习框架显著提高了中国的NER绩效.
• 在微博和Ontonotes5.0数据集上的实验结果表明,与现有模型相比,性能优越.

结论:

• 共同学习边界检测和实体识别有效地解决了中国NER的挑战.
• 综合方法提高了中国NER系统的准确性和稳定性.