基于有向图模型的旅游领域命名实体识别

被引：17

作者：

崔丽平 ^{[1
,2
,3
]}

古丽拉阿东别克 ^{[1
,2
,3
]}

王智悦 ^{[1
]}

机构：

[1] 新疆大学信息科学与工程学院

[2] 新疆多语种信息技术重点实验室

[3] 国家语言资源监测与研究少数民族语言中心哈萨克和柯尔克孜语文基地

来源：

计算机工程 | 2022年 / 48卷 / 02期

关键词：

知识图谱; 命名实体识别; 卷积神经网络; 图神经网络; 条件随机场;

D O I：

10.19678/j.issn.1000-3428.0060062

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

120506 [数字人文];

摘要：

旅游领域命名实体识别是旅游知识图谱构建过程中的关键步骤,与通用领域的实体相比,旅游文本的实体具有长度长、一词多义、嵌套严重的特点,导致命名实体识别准确率低。提出一种融合词典信息的有向图神经网络(L-CGNN)模型,用于旅游领域中的命名实体识别。将预训练词向量通过卷积神经网络提取丰富的字特征,利用词典构造句子的有向图,以生成邻接矩阵并融合字词信息,通过将包含局部特征的词向量和邻接矩阵输入图神经网络(GNN)中,提取全局语义信息,并引入条件随机场(CRF)得到最优的标签序列。实验结果表明,相比Lattice LSTM、ID-CNN+CRF、CRF等模型,L-CGNN模型在旅游和简历数据集上具有较高的识别准确率,其F1值分别达到86.86%和95.02%。

引用

页码：306 / 313

页数：8

共 12 条

[1]

Deep learning with word embeddings improves biomedical named entity recognition [J].