188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
经典de资料

上传于：2021-11-15

粉丝量：165

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 基于细粒度词表示的命名实体识别研究

    星级： 11 页

  • 基于细粒度词表示的序列标注模型研究

    星级： 59 页

  • 基于多尺度词包表示的hLDA模型的茶园识别研究

    星级： 7 页

  • 基于表示学习的细粒度图像分类方法研究

    星级： 73 页

  • 基于实例级别细粒度表示的图像差异描述研究

    星级： 68 页

  • 基于关联记忆网络的中文细粒度命名实体识别_琚生根

    星级： 12 页

  • 基于迁移表示学习的军事命名实体识别

    星级： 6 页

  • 基于词表示方法的生物医学命名实体识别

    星级： 60 页

  • 多场景文本的细粒度命名实体识别

    星级： 8 页

  • 表示态度词汇总结分类0

    星级： 1 页

  • 英文阅读表示态度词汇总结分类0

    星级： 1 页

  • 基于自适应的多尺度区分性图像细粒度特征表示方法研究

    星级： 75 页

  • 基于领域情感词典特征表示的细粒度意见挖掘

    星级： 9 页

  • 基于领域情感词典特征表示的细粒度意见挖掘

    星级： 10 页

  • 多场景文本的细粒度命名实体识别_盛剑

    星级： 8 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 基于细粒度词表示的命名实体识别研究

    下载积分： 1000

    内容提示： Vol. 32, No. 11Nov. ? 2018第 32 卷第 11 期2018 年 ］ ］ 月中文信息学报JOURNAL OF CHINESE INFORMATION PROCESSING文章编号 ： 1003-0077(2018)11-0062-10基于细粒度词表示的命名实体识别研究林广和 ' ， 张绍武⑺ ， 林鸿飞 I(1. 大连理 T. 大学计算机科学与技术学院.辽宁大连 116024 ；2. 新疆财经大学计算机科学与工程学院.新疆乌鲁木齐 830012)摘要 ： 命名实体识别 ( NER) 是自然语言处理中的一项基础任务.其性能飭优劣极大地彩响着关系抽取 、 语义角 色标注等后续任务 。 传统的统计模型特征设计难度大 、 领域适应性差.一些神经网络模型则忽...

    文档格式：PDF | 页数：11 | 浏览次数：27 | 上传日期：2021-11-15 07:24:11 | 文档星级：
    Vol. 32, No. 11Nov. ♦ 2018第 32 卷第 11 期2018 年 ］ ］ 月中文信息学报JOURNAL OF CHINESE INFORMATION PROCESSING文章编号 ： 1003-0077(2018)11-0062-10基于细粒度词表示的命名实体识别研究林广和 ' ， 张绍武⑺ ， 林鸿飞 I(1. 大连理 T. 大学计算机科学与技术学院.辽宁大连 116024 ；2. 新疆财经大学计算机科学与工程学院.新疆乌鲁木齐 830012)摘要 ： 命名实体识别 ( NER) 是自然语言处理中的一项基础任务.其性能飭优劣极大地彩响着关系抽取 、 语义角 色标注等后续任务 。 传统的统计模型特征设计难度大 、 领域适应性差.一些神经网络模型则忽略了词本身所具有 的形态学信息 。 针对上述问题.该文构建了 一种基于细粒度词表示的端到端模型 ( Finger-BiLSTM-CRF) 来进行命 名实体识别任务 。 该文首先提出一种基于注意力机制的字符级词表示模型 Finger 来融合形态学信息和单词的字 符信息 ， 然后将 Finger 与 BiLSTM-CRF 模型联合进行实体识别.最终该方法以端到端 、 无任何特征工程的方式在 CoNLI. 2003 数据集上取得了 F, 为 91.09% 的结果 。 实验表明.该丈设计的 Finger 模型显著提升 NER 系统的召 回率 ， 从而使得模型的识别能力显著提升 。关键词 ： 命名实体识别 ； 端到端模型 ； 字符级词表乐模型 ； 注意力机制中图分类号 ： TP391 文献标识码 ： ANamed Entity Identification Based on Fine-Grained Word RepresentationLIN Guanghe 1 , ZHANG Shaowu' 「 . LIN Hongfei'( 1. School of Computer Science and Technology , Dalian University of Technology . Dalian, Liaoning 116024 * China ；2. School of Computer Science and Engineering, Xinjiang University ofFinance and Economics, Urumqi, Xinjiang 830012♦ China)Abstract : Named entity recognition is a fundamental task in NLP, with a substantial influence to relation extraction ? sematic roll annotation etc. This paper proposes a new end-to-end neural network model ( Finger-BiLSTM-CRF ) based on a fine-grained word represe ntation for named entity recog nition task. First , we design Finger, a character ­level word representation model based on the attention mechanism, for the integration of morphological information with information from each character of curreni token. Secondly* we combine Finger with BiLSTM-CRF for named entity recognition task. Finally, the model trained in an end-to-end process achieves a Fl score of 91. 09% on test dataset from CoNLL 2003.Keywords : named entity recognit io n ； end-to-end model ； character-level word representation model ； attention mechanismo 引言命名实体识别 ( Named Entity Recognition . NER) 作为自然语言处理的基础工作.其主要任务 是识别文本中的人名 、 地名 、 组织机构名等专有名词 和有意义的时间 、 日期等短语⑴ 。 NER 作为信息抽 取中重要的组成部分.其识别效果对于后续的关系 抽取 、 语义角色标注 、 机器翻译等任务有很大影响 。目前 NER 任务通常被当作序列标注任务 ， 其 主要模型分为传统的统计机器学习模型和神经网络 模型两类 。 常见的 NER 统计模型主要有隐马尔可 夫模型 ( Hidden Markov Model . HMM) 和条件随机 场 ( Conditional Random Field, CRF ) 等浅层模型 ， 其中 CRF 模型广泛应用于各种 NER 任务中 ， 并取 得了不错的效果 °" 。 近年来.深度学习在自然语言 处理领域中取得了重大的突破 。 与传统机器学习方 法相比.神经网络模型在命名实体识别任务中取得 收稿日期 ： 2018-01-10 定稿日期 ： 2018-02-10基金项目 ： 国家自然科学基金 (61562080>71561025,61632011,61572102)。 。. .。 。

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司