检索结果-南通市图书馆

华东理工大学学报（自然科学版） 2023年第2期49卷 276-283页

作者：李宝昌郭卫斌华东理工大学信息科学与工程学院上海200237

在中文命名实体识别任务中,字信息融合词汇信息能丰富文本特征,但一个字可能对应多个候选词汇,容易产生词汇冲突,融合无关词汇信息会影响模型的识别效果,对此提出了词典信息分层调整的中文命名实体识别方法。首先将所有潜在词语按照词... 详细信息

在中文命名实体识别任务中,字信息融合词汇信息能丰富文本特征,但一个字可能对应多个候选词汇,容易产生词汇冲突,融合无关词汇信息会影响模型的识别效果,对此提出了词典信息分层调整的中文命名实体识别方法。首先将所有潜在词语按照词语长度进行分层,通过高层词语反馈调整低层词语的权重来保留更有用的信息,以此缓解语义偏差问题和降低词汇冲突影响;然后将词汇信息拼接到字信息来增强文本特征表示。在Resume和Weibo数据集上的实验结果表明,本文方法与传统方法相比具有更优的效果。

关键词：词典信息分层调整字词融合特征增强中文命名实体识别

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

词典信息在中文命名实体识别中的应用研究

词典信息在中文命名实体识别中的应用研究

引用

作者：赖兰妹广东财经大学

学位级别：硕士

中文命名实体识别是自然语言处理中的一个重要的难点问题,常规的有基于字符和基于单词的深度学习的识别方法。基于字符的中文命名实体识别方法存在损失词汇信息和降低模型性能的问题。基于单词的中文命名实体识别方法则直接受到分词错... 详细信息

中文命名实体识别是自然语言处理中的一个重要的难点问题,常规的有基于字符和基于单词的深度学习的识别方法。基于字符的中文命名实体识别方法存在损失词汇信息和降低模型性能的问题。基于单词的中文命名实体识别方法则直接受到分词错误传播的影响。本文致力于研究结合词典信息的中文命名实体识别的应用。论文的主要工作包括以下几个方面:第一,提出了结合词典单词边界、语义和长度（Combining dictionary word boundary,semantics and length,CWSL）的方法,更加充分地利用了词典信息。第二,基于字符的中文命名实体识别预测方面,以Bi LSTM-CRF和BERT-Bi LSTMCRF为基础模型,对医学、简历和新闻文本的实体进行预测研究,并进行对比分析。最后得到,BERT-Bi LSTM-CRF模型在医学、简历和新闻文本中的F1值分别为0.9341,0.8113和0.9435,都优于Bi LSTM-CRF模型。第三,融合词典信息的中文命名实体识别预测方面,本文利用Lattice-LSTM和CWSL模型对医学、简历和新闻文本的实体进行预测研究,并进行对比分析。最后得到,CWSL在三个文本的预测中较为稳健。经过显著性检验得出,CWSL在医学文本的预测效果比Lattice-LSTM更好,在简历文本的预测上测试样本均值比Lattice-LSTM仅低0.0052。然而,它在新闻领域的预测比Lattice-LSTM高0.8141。此外,Lattice-LSTM和BERT-Bi LSTMCRF的平均推断时间分别是CWSL的9倍和1.86倍,CWSL具有速度快的优点。

关键词：中文命名实体识别词典信息 LSTM 词嵌入

来源：

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

基于特征增强的中医本草命名实体识别方法

引用

河北大学学报（自然科学版） 2024年第2期44卷 199-207页

作者：马月坤吴国仲华北理工大学人工智能学院河北省工业智能感知重点实验室河北唐山063210 北京科技大学计算机与通信工程学院材料领域知识工程北京市重点实验室北京100083

传统中医本草文献含有丰富的中医知识,是中医理论研究的重要载体.为了更好地挖掘中医本草知识,精准地实现中医本草文献命名实体识别任务,提出了一种基于特征增强的Bert-BiGRU-CRF中医本草命名实体识别模型,使用特征融合器拼接Bert生成... 详细信息

传统中医本草文献含有丰富的中医知识,是中医理论研究的重要载体.为了更好地挖掘中医本草知识,精准地实现中医本草文献命名实体识别任务,提出了一种基于特征增强的Bert-BiGRU-CRF中医本草命名实体识别模型,使用特征融合器拼接Bert生成的词向量与实体特征作为输入,以双向门控循环单元(bi-directional gated recurrent unit, BiGRU)为特征提取器,以条件随机场(conditional random fields, CRF)进行标签预测,通过特征增强的方法更好地识别中医本草的药名、药性、药味、归经等实体及其边界信息,完成中医本草命名实体任务.在中医本草数据集上的实验结果表明,融入特征的模型F1值达到了90.54%,证明了所提出的方法可以更好地提高中医本草命名实体识别精度.

关键词：命名实体识别中草药特征增强词典信息

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多任务学习与融合词典的中文命名实体识别研究

基于多任务学习与融合词典的中文命名实体识别研究

引用

作者：胡聪重庆大学

学位级别：硕士

在移动互联网迅猛发展的今天,网络上每天产生的大量非结构化数据需要命名实体识别等信息抽取技术去提取其中的有效信息。命名实体识别（Named entity recognition,NER）任务的目的是识别出文本数据中特定类型的实体名称,其识别结果影响... 详细信息

在移动互联网迅猛发展的今天,网络上每天产生的大量非结构化数据需要命名实体识别等信息抽取技术去提取其中的有效信息。命名实体识别（Named entity recognition,NER）任务的目的是识别出文本数据中特定类型的实体名称,其识别结果影响着关系抽取、文本理解、自动问答等下游自然语言处理任务的效果,因此具有非常重要的研究价值和意义。深度学习理论和技术的发展推动着命名实体识别的进步,已有研究表明,多任务学习能够在一定程度上提高深度学习模型的性能,但是经典的命名实体识别模型都只有实体识别这个单一的学习优化任务。通过研究发现在很多实体识别数据集中都存在很多不包含实体的样本,为此设计了判断样本是否包含实体的二分类任务,并且在此基础上提出了基于多任务学习的中文命名实体识别模型。该模型将判断样本是否包含实体的二分类任务的损失函数和命名实体识别任务的损失函数加权融合在一起,然后对两个任务同时进行优化。本文在Bi-LSTM和Transformer两种特征编码模型上进行了实验,实验结果表明,本文提出的基于多任务学习的命名实体识别方法在两种特征编码模型上均优于基线模型。中文不存在词语分割边界的语言特性,导致中文命名实体识别任务中会出现实体边界错误分割的问题。考虑到命名实体识别任务是一个依赖于外部知识的任务,通过引入包含词边界特征的词典信息等外部知识可以帮助提高模型的实体边界的识别能力,因此本文提出了融合词典信息的中文命名实体识别模型。该模型将词典中匹配到的词语根据字的位置信息分为四类并计算每一类词语的加权词向量,然后使用注意力机制将包含词边界信息的加权词向量融入到初始字向量中,这样能够增强字向量中的词边界信息和位置信息。本文在静态字向量和BERT预训练字向量上进行了实验,实验结果表明,融合词典的实体识别模型能够在一定程度上解决实体边界错误分割问题,提高命名实体识别的性能。

关键词：命名实体识别多任务学习注意力机制词典信息

来源：

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LNBC模型的中文命名实体识别

引用

天津科技大学学报 2023年第2期38卷 50-55页

作者：马永军王野天津科技大学人工智能学院天津300457

针对中文命名实体识别中融合词典信息准确率提升不足的问题,使用在模型内部融合词典信息的策略,并结合预训练语言模型NEZHA增强文本的嵌入表示,提出一种基于LNBC(LE-NEZHA-BiLSTM-CRF)模型的中文命名实体识别方法.首先通过词典树匹配所... 详细信息

针对中文命名实体识别中融合词典信息准确率提升不足的问题,使用在模型内部融合词典信息的策略,并结合预训练语言模型NEZHA增强文本的嵌入表示,提出一种基于LNBC(LE-NEZHA-BiLSTM-CRF)模型的中文命名实体识别方法.首先通过词典树匹配所有潜在的词,然后采用面向中文理解的神经语境表征模型(NEZHA)进行融合嵌入表示,将训练得到的字词融合向量输入双向长短期记忆(BiLSTM)网络进行特征提取,获取长距离的语义信息,最后通过条件随机场(CRF)层降低错误标签输出的概率.实验结果表明,该方法在MSRA数据集和Resume数据集中的F_(1)值分别为95.71%和96.11%,较其他对比模型均有提高.

关键词：命名实体识别词典信息双向长短期记忆网络条件随机场

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：