基于迁移学习和BiLSTM-CRF的中文命名实体识别

被引：101

作者：

武惠 ^{[1
,2
]}

吕立 ^{[2
]}

于碧辉 ^{[2
]}

机构：

[1] 中国科学院大学

[2] 中国科学院沈阳计算技术研究所

来源：

小型微型计算机系统 | 2019年 / 40卷 / 06期

关键词：

中文命名实体识别; TrBiLSTM-CRF; 迁移学习; 深度学习; 词向量;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理]; TP181 [自动推理、机器学习];

学科分类号：

120506 [数字人文]; 140502 [人工智能];

摘要：

针对中文命名实体识别问题,该文提出了一种基于迁移学习和深度学习的TrBiLSTM-CRF模型.该模型采用基于实例的迁移学习算法,通过权值生成和样本选择,将源域的知识迁移到目标域,有效地解决了深度学习对少量数据学习能力不足的问题;通过词向量、BiLSTM、CRF等操作融合了上下文语义信息,克服了对人工特征和专家知识的依赖.实验结果表明,TrBiLSTMCRF模型在小规模数据集上进行中文机构名命名实体识别时,其准确率、召回率和F值分别为91. 57%、72. 29%和0. 80%,相比于该文提到的其他方法,取得了较好的效果.

引用

页码：1142 / 1147

页数：6

共 6 条

[1]

融合迁移学习的中文命名实体识别 [J].

王红斌 ;

沈强 ;

线岩团 .

小型微型计算机系统, 2017, 38 (02) :346-351

[2]

权值不确定的模糊多属性格序决策方法 [J].

吕智颖 ;

郑理伟 ;

黄天民 ;

翟晓红 .

数学的实践与认识, 2014, 44 (18) :175-181

[3]

迁移学习研究进展 [J].

庄福振 ;

罗平 ;

何清 ;

史忠植 .

软件学报, 2015, 26 (01) :26-39

[4]

Transfer learning for cross-company software defect prediction.[J].Ying Ma;Guangchun Luo;Xue Zeng;Aiguo Chen.Information and Software Technology.2011, 3

[5]

A survey of named entity recognition and classification [J].

Nadeau, David ;

Sekine, Satoshi .

LINGUISTICAE INVESTIGATIONES, 2007, 30 (01) :3-26

[6]

Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

← 1 →