现阶段的命名实体识别(Named entity recognition,NER)多依赖深度学习模型自动抽取文本特征,无法对文本中字词的特征进行融合,同时对于模型的错误预测结果也无法人工干预,只能通过优化模型参数和再次语料训练来解决。针对这样的问题,该...现阶段的命名实体识别(Named entity recognition,NER)多依赖深度学习模型自动抽取文本特征,无法对文本中字词的特征进行融合,同时对于模型的错误预测结果也无法人工干预,只能通过优化模型参数和再次语料训练来解决。针对这样的问题,该文设计了整体的NER系统架构,同时提出了多维度特征融合的深度学习模型。该文在常规的长短期记忆模型(Long short term memory,LSTM)和条件随机场(Conditional random field,CRF)模型基础上,构建了新的神经网络结构,融入了多维度的字词特征。整个NER系统还引入了规则匹配,通过规则和深度学习的配合,将整体NER的F1值提升到96.2%。对比常规的LSTM+CRF模型,性能提升了近6%。展开更多
文摘现阶段的命名实体识别(Named entity recognition,NER)多依赖深度学习模型自动抽取文本特征,无法对文本中字词的特征进行融合,同时对于模型的错误预测结果也无法人工干预,只能通过优化模型参数和再次语料训练来解决。针对这样的问题,该文设计了整体的NER系统架构,同时提出了多维度特征融合的深度学习模型。该文在常规的长短期记忆模型(Long short term memory,LSTM)和条件随机场(Conditional random field,CRF)模型基础上,构建了新的神经网络结构,融入了多维度的字词特征。整个NER系统还引入了规则匹配,通过规则和深度学习的配合,将整体NER的F1值提升到96.2%。对比常规的LSTM+CRF模型,性能提升了近6%。
