結(jié)合GAN與BiLSTM-Attention-CRF的領(lǐng)域命名實體識別
摘要：領(lǐng)域內(nèi)命名實體識別通常面臨領(lǐng)域內(nèi)標(biāo)注數(shù)據(jù)缺乏以及由于實體名稱多樣性導(dǎo)致的同一文檔中實體標(biāo)注不一致等問題.針對以上問題,利用生成式對抗網(wǎng)絡(luò)(generative adversarial network, GAN)可以生成數(shù)據(jù)的特點,將生成式對抗網(wǎng)絡(luò)與BiLSTM-Attention-CRF模型相結(jié)合.首先以BiLSTM-Attention作為生成式對抗網(wǎng)絡(luò)的生成器模型,以CNN作為判別器模型,從眾包標(biāo)注數(shù)據(jù)集中整合出與專家標(biāo)注數(shù)據(jù)分布一致的正樣本標(biāo)注數(shù)據(jù)來解決領(lǐng)域內(nèi)標(biāo)注數(shù)據(jù)缺乏的問題;然后通過在BiLSTM-Attention-CRF模型中引入文檔層面的全局向量,計算每個單詞與該全局向量的關(guān)系得出其新的特征表示以解決由于實體名稱多樣化造成的同一文檔中實體標(biāo)注不一致問題;最后,在基于信息安全領(lǐng)域眾包標(biāo)注數(shù)據(jù)集上的實驗結(jié)果表明,該模型在各項指標(biāo)上顯著優(yōu)于同類其他模型方法.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社。
計算機(jī)研究與發(fā)展雜志
計算機(jī)研究與發(fā)展雜志， 月刊，本刊重視學(xué)術(shù)導(dǎo)向，堅持科學(xué)性、學(xué)術(shù)性、先進(jìn)性、創(chuàng)新性，刊載內(nèi)容涉及的欄目：綜述、計算機(jī)技術(shù)、計算機(jī)網(wǎng)絡(luò)、人工智能、計算機(jī)軟件、計算機(jī)應(yīng)用等。于1958年經(jīng)新聞總署批準(zhǔn)的正規(guī)刊物。
- 北大期刊
- CSCD期刊
- 統(tǒng)計源期刊
- 1-3個月審核
