检索结果-南通市图书馆

引入词集级注意力机制的中文命名实体识别方法

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2022年第5期52卷 1098-1105页

作者：钟诗胜陈曦赵明航张永健哈尔滨工业大学机电工程学院哈尔滨150001 哈尔滨工业大学(威海)海洋工程学院山东威海264209

目前许多研究通过引入外部词汇信息提高中文命名实体识别的效果,这些研究通常在词集内对词向量进行加权将词信息整合到字表示中,但忽略了各个词集的重要度不同。为此,本文提出了一种引入词集级注意力机制的中文命名实体识别方法,在引入... 详细信息

目前许多研究通过引入外部词汇信息提高中文命名实体识别的效果,这些研究通常在词集内对词向量进行加权将词信息整合到字表示中,但忽略了各个词集的重要度不同。为此,本文提出了一种引入词集级注意力机制的中文命名实体识别方法,在引入外部词汇信息的基础上,根据字在词中的位置划分词集、获得词集向量,进而建立词集级别的注意力机制,强制性地将注意力集中在适当的词集,忽略不可靠的部分,从而提高中文命名实体识别效果。最后,通过多个数据集上的实验验证了该方法的有效性。

关键词：人工智能中文命名实体识别词集级注意力机制外部词汇信息

在线全文

学校读者我要写书评

暂无评论

深度学习中文命名实体识别研究综述

华中科技大学学报（自然科学版） 2022年第11期50卷 44-53页

作者：康怡琳孙璐冰朱容波李梦瑶中南民族大学计算机科学学院湖北武汉430074 华中农业大学信息学院湖北武汉430070

针对目前中文命名实体识别研究集中在输入文本的特征的提取,且输入的嵌入表示直接影响模型的性能这一特点,从背景知识、研究现状和未来发展等方面对中文命名实体识别的研究展开全面的调查.回顾了命名实体识别的发展进程,解释中文命名实... 详细信息

针对目前中文命名实体识别研究集中在输入文本的特征的提取,且输入的嵌入表示直接影响模型的性能这一特点,从背景知识、研究现状和未来发展等方面对中文命名实体识别的研究展开全面的调查.回顾了命名实体识别的发展进程,解释中文命名实体识别的研究难点,归纳不同的研究方法,分为基于字的模型、基于词的模型和基于字-词的模型;介绍目前中文命名实体识别的主流数据集、标注方法和评价指标,从不同角度分析了各数据集的特点;讨论了近几年深度学习技术在中文命名实体识别中的最新研究进展,介绍各分类下具有代表性的模型及性能对比,分析性能优劣原因;总结了中文命名实体识别当下所面临的一些挑战,讨论了未来更具有研究价值的方向,促进中文命名实体识别的进一步发展.

关键词：中文命名实体识别深度学习自然语言处理基于字-词的模型基于字的模型基于词的模型

在线全文

学校读者我要写书评

暂无评论

基于小规模尾字特征的中文命名实体识别研究

电子学报 2008年第9期36卷 1833-1838页

作者：冯元勇孙乐张大鲲李文波中国科学院软件研究所基础软件工程研究中心

本文针对难度最大的两类命名实体(地名和机构名)在条件随机场框架下首次引入了小规模的常用尾字特征.实验表明,该特征与词类特征具有一定的互补性,联合使用可以以较小的训练代价显著提高专有名词的识别性能,特别是机构名的识别精度.该... 详细信息

本文针对难度最大的两类命名实体(地名和机构名)在条件随机场框架下首次引入了小规模的常用尾字特征.实验表明,该特征与词类特征具有一定的互补性,联合使用可以以较小的训练代价显著提高专有名词的识别性能,特别是机构名的识别精度.该系统在我国863简体命名实体识别评测语料上专名(人名、地名和机构名)总体F1值达88.76%,超过当年最佳系统8.63个百分点.在SIGHAN 2006命名实体识别语料上的结果也居于前列.

关键词：中文命名实体识别小规模尾字特征条件随机场自然语言处理机器学习

基于Transformer和隐马尔科夫模型的中文命名实体识别方法

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2023年第5期53卷 1427-1434页

作者：李健熊琦胡雅婷刘孔宇吉林农业大学信息技术学院长春130118 吉林省生物信息学研究中心长春130118

提出了一种基于Transformer和隐马尔科夫模型的字级别中文命名实体识别方法。本文改进了Transformer模型的位置编码计算函数,使修改后的位置编码函数能表达字符之间的相对位置信息和方向性。使用Transformer模型编码后的字符序列计算转... 详细信息

提出了一种基于Transformer和隐马尔科夫模型的字级别中文命名实体识别方法。本文改进了Transformer模型的位置编码计算函数,使修改后的位置编码函数能表达字符之间的相对位置信息和方向性。使用Transformer模型编码后的字符序列计算转移矩阵和发射矩阵,建立隐马尔科夫模型生成一组命名实体软标签。将隐马尔科夫模型生成的软标签带入到Bert-NER模型中,使用散度损失函数更新Bert-NER模型参数,输出最终的命名实体强标签,从而找出命名实体。经过对比实验,本文方法在中文CLUENER-2020数据集和Weibo数据集上,F_(1)值达到75.11%和68%,提升了中文命名实体识别的效果。

关键词：人工智能中文命名实体识别隐马尔科夫模型 Transformer编码器位置编码

在线全文

学校读者我要写书评

暂无评论

中文命名实体识别算法研究

中文命名实体识别算法研究

作者：谢志宁浙江大学

学位级别：硕士

命名实体识别(Name Entity Recognition,NER)是指识别文本中具有特定意义的实体,主要包括人名、地名、组织机构名等,是将非结构化数据转为结构化数据的一个重要技术手段,是计算机正确理解文本信息的关键步骤,也是信息抽取、情感分析、... 详细信息

命名实体识别(Name Entity Recognition,NER)是指识别文本中具有特定意义的实体,主要包括人名、地名、组织机构名等,是将非结构化数据转为结构化数据的一个重要技术手段,是计算机正确理解文本信息的关键步骤,也是信息抽取、情感分析、问答系统等多个自然语言处理应用的基础任务,因此命名实体识别的研究存在着重要意义。但由于中文语言自身的特点,中文命名实体仍存在许多难点,其主要难点包括:(1)中文命名实体识别通常是基于单一模型的识别,这些模型具有各自的优缺点和局限性。(2)中文命名实体识别通常是基于词序列的识别,需要借助中文分词技术,中文命名实体识别的效果往往依赖于中文分词的准确率。本文的研究内容和主要工作包括:(1)调研了国内外命名实体识别的相关工作,总结和实现了主流的命名实体识别方法,分析和比较了这些方法的优缺点,为本文的后续工作提供了思路。(2)为了解决单一模型的局限性,本文结合了多个模型和使用多任务学习进行中文命名实体识别,该方法BiLSTM-CRF-MTL能够较好地解决单一模型的缺点,此外不需要过多的特征构造,模型通过多个相关任务进行特征学习。(3)为了解决基于词序列识别存在的问题,本文将基于字序列进行中文命名实体识别,引入基于外部语料和新词发现的词向量,同时将基于关键词提取的中文分词置信度作为特征来缓解中文分词带来的噪声。(4)为了让模型能够更好地拟合上下文和缓解标注样本较少的问题,本文提出了一种基于实体词替换的样本生成方法。本文基于1998年人民日报语料进行中文命名实体测评,对比了多个基于单一模型的识别方法以及相关文献的识别方法,实验结果表明,本文提出的方法取得了 88.79%的平均F1,相比其它方法具有较大提升。

关键词：中文命名实体识别混合模型多任务学习词向量

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习中文命名实体识别研究进展

计算机工程与应用 2023年第24期59卷 46-69页

作者：李莉奚雪峰盛胜利崔志明徐家保苏州科技大学电子与信息工程学院江苏苏州215000 苏州市虚拟现实智能交互应用技术重点实验室江苏苏州215000 苏州科技大学智慧城市研究院江苏苏州215000 德州理工大学美国德克萨斯州拉伯克市79401

中文命名实体识别(CNER)指识别中文文本中具有特定意义的实体,是自然语言处理诸多下游任务的重要基石。近年来,深度学习技术依托其端到端的方法,自动学习到更深层次和更抽象的数据特征,摆脱了人工标注的依赖,解决了高维特征空间的数据... 详细信息

中文命名实体识别(CNER)指识别中文文本中具有特定意义的实体,是自然语言处理诸多下游任务的重要基石。近年来,深度学习技术依托其端到端的方法,自动学习到更深层次和更抽象的数据特征,摆脱了人工标注的依赖,解决了高维特征空间的数据稀疏问题,从而逐渐成为中文命名实体识别方法的主流。回顾了命名实体识别的发展进程和CNER的特殊性和难点;围绕着中文命名实体识别的不同处理特点,将基于深度学习的中文命名实体识别的方法分类为扁平实体边界问题、中文嵌套命名实体识别和CNER小样本问题处理三个领域,并具体阐述这三类领域的模型、细分领域和最近的研究进展并整理了部分典型深度学习方法在相关数据集上的实验结果;再次总结了中文命名实体识别任务的常用数据集和评估方法;指出了当前中文命名实体识别技术面临的挑战和未来的研究方向。

关键词：中文命名实体识别深度学习实体边界中文嵌套命名实体识别低资源中文命名实体识别

在线全文

学校读者我要写书评

暂无评论

融合外部知识和位置信息的中文命名实体识别

计算机工程与应用 2024年第22期60卷 162-171页

作者：李源洛桑嘎登蒋卫丽信阳农林学院信息工程学院河南信阳464000 西藏大学信息科学技术学院拉萨850000 四川大学计算机学院成都610207

命名实体识别(named entity recognition,NER)是信息检索和自然语言处理领域重要且基础的任务。与英文不同,目前大部分的中文NER方法,都面临分词困扰、领域知识缺失的问题。针对以上问题,基于Lattice结构,提出一种结合知识图谱嵌入(know... 详细信息

命名实体识别(named entity recognition,NER)是信息检索和自然语言处理领域重要且基础的任务。与英文不同,目前大部分的中文NER方法,都面临分词困扰、领域知识缺失的问题。针对以上问题,基于Lattice结构,提出一种结合知识图谱嵌入(knowledge graphs embedding,KGE)和带掩码位置信息的中文NER模型。Lattice语义信息的使用,为补充词粒度信息和解决分词问题奠定了结构基础。知识图谱嵌入的使用,为模型补充并定位了其所缺失的领域知识。而带掩码位置信息的使用,则较好地解决了由于知识图谱的引入而带来的知识噪声问题。所提出的方法在通用领域和垂直领域上均能取得较好的表现,在Weibo、Resume以及CCKS 2017上的F1值分别达到了74.01%、96.62%、94.95%。

关键词： Lattice 知识图谱嵌入位置信息中文命名实体识别

在线全文

学校读者我要写书评

暂无评论

中文命名实体识别技术及其应用研究

中文命名实体识别技术及其应用研究

作者：王煜路北京邮电大学

学位级别：硕士

命名实体识别(NER)是自然语言处理的重要任务,其目标是识别文本序列中所含的实体位置并将其分类为特定的实体类型,如组织,地点,职称等。同时,信息提取,知识问答,关系提取等NLP任务也需要NER作为上游任务提供实体信息。以深度学习为代表... 详细信息

命名实体识别(NER)是自然语言处理的重要任务,其目标是识别文本序列中所含的实体位置并将其分类为特定的实体类型,如组织,地点,职称等。同时,信息提取,知识问答,关系提取等NLP任务也需要NER作为上游任务提供实体信息。以深度学习为代表的模型在NER任务中取得不俗的效果,但是与英文NER相比,中文NER任务更为复杂,英文中有时态,单复数等有规律的词型变化,因为中文文本需要分词,中文文本中存在词语边界模糊,实体结构复杂,表达多样化等问题。因此,本文将针对中文语境下的NER算法提出优化改进,并将任务模型应用于实际。本文的主要工作如下:1.提出一种以Lattice LSTM为基础的中文命名实体识别编码器(Multi-head Lattice LSTM)。Lattice结构在字级别特征的基础引入分词信息,本文将Lattice LSTM分为多个通道计算特征并拼接,接着将其送入全连接,残差归一化等结构,使Lattice LSTM融入Transformer block中,便于网络获得更加准确充分的特征信息。2.提出注意力融合层结构。为了减少LSTM仅能提取单侧信息的缺陷和位置编码信息随网络加深而衰减,本文使用引入相对位置编码的自注意力层来获取隐藏向量对完整序列的注意力特征,最后使用可学习的高速网络门控决定哪些注意力特征需要保留或遗忘,使网络效果再一次提升。3.开发完成中文NER用户界面程序。为了便利非研究人员对实体识别的应用,该窗口程序中用户可以自由加载所需的预训练NER模型,通过输入窗口写入所需识别文本,确认后即可在输出窗口得到预测实体。本文所提方法在三个常见中文NER数据集进行实验。经过实验对比,Multi-head Lattice结构,特征融合层及整体模型结构的实验效果均得到提升,能够更准确地对中文命名实体进行提取分类。

关键词： Lattice LSTM Transformer block 自注意力机制高速网络中文命名实体识别

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BERT嵌入的中文命名实体识别方法

计算机工程 2020年第4期46卷 40-45,52页

作者：杨飘董文永武汉大学计算机学院武汉430072

在基于神经网络的中文命名实体识别过程中,字的向量化表示是重要步骤,而传统的词向量表示方法只是将字映射为单一向量,无法表征字的多义性.针对该问题,通过嵌入BERT预训练语言模型,构建BERT-BiGRU-CRF模型用于表征语句特征.利用具有双向... 详细信息

在基于神经网络的中文命名实体识别过程中,字的向量化表示是重要步骤,而传统的词向量表示方法只是将字映射为单一向量,无法表征字的多义性.针对该问题,通过嵌入BERT预训练语言模型,构建BERT-BiGRU-CRF模型用于表征语句特征.利用具有双向Transformer结构的BERT预训练语言模型增强字的语义表示,根据其上下文动态生成语义向量.在此基础上,将字向量序列输入BiGRU-CRF模型中进行训练,包括训练整个模型和固定BERT只训练BiGRU-CRF2种方式.在MSRA语料上的实验结果表明,该模型2种训练方式的F1值分别达到95.43%和94.18%,优于BiGRU-CRF、Radical-BiLSTM-CRF和Lattice-LSTM-CRF模型.

关键词：中文命名实体识别 BERT模型 BiGRU模型预训练语言模型条件随机场