文献类型：期刊文章

作　　者：林广和[1] 张绍武[1,2] 林鸿飞[1]

LIN Guanghe;ZHANG Shaowu;LIN Hongfei(School of Computer Science and Technology ,Dalian University of Technology,Dalian,Liaoning 116024,China;School of Computer Science and Engineering,Xinjiang University of Finance and Economics,Urumqi,Xinjiang 830012,China)

机构地区：[1]大连理工大学计算机科学与技术学院,辽宁大连116024 [2]新疆财经大学计算机科学与工程学院,新疆乌鲁木齐830012

出　　处：《中文信息学报》

基　　金：国家自然科学基金(61562080;71561025;61632011;61572102)

年　　份：2018

卷　　号：32

期　　号：11

起止页码：62-71

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、JST、RCCSE、ZGKJHX、核心刊

摘　　要：命名实体识别(NER)是自然语言处理中的一项基础任务,其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先提出一种基于注意力机制的字符级词表示模型Finger来融合形态学信息和单词的字符信息,然后将Finger与BiLSTM-CRF模型联合进行实体识别,最终该方法以端到端、无任何特征工程的方式在CoNLL 2003数据集上取得了F1为91.09%的结果。实验表明,该文设计的Finger模型显著提升NER系统的召回率,从而使得模型的识别能力显著提升。

关 键 词：命名实体识别 端到端模型  字符级词表示模型  注意力机制  

分 类 号：TP391]