一种基于混合神经网络的命名实体识别与共指消解联合模型

郜成胜; 张君福; 李伟平; 赵文; 张世琨

doi:10.3969/j.issn.0372-2112.2020.03.004

您当前的位置：

首页 >

文章列表页 >

一种基于混合神经网络的命名实体识别与共指消解联合模型

学术论文 | 更新时间：2025-07-16

- 一种基于混合神经网络的命名实体识别与共指消解联合模型
- A Joint Model of Named Entity Recognition and Coreference Resolution Based on Hybrid Neural Network
- 电子学报 2020年48卷第3期页码：442-448
- 作者机构：
  
  1. 北京大学软件与微电子学院,北京,100871
  2. 北京大学软件工程国家工程研究中心,北京,100871
  3. 北京大学软件与微电子学院,北京,100871
  4. 北京大学软件工程国家工程研究中心,北京,100871
- 作者简介：
- 基金信息：
- DOI：10.3969/j.issn.0372-2112.2020.03.004
  中图分类号： TP183
- 网络出版：2020-03-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
郜成胜, 张君福, 李伟平, 等. 一种基于混合神经网络的命名实体识别与共指消解联合模型[J]. 电子学报, 2020,48(3):442-448.

GAO Cheng-sheng, ZHANG Jun-fu, LI Wei-ping, et al. A Joint Model of Named Entity Recognition and Coreference Resolution Based on Hybrid Neural Network[J]. Acta Electronica Sinica, 2020, 48(3): 442-448.
郜成胜, 张君福, 李伟平, 等. 一种基于混合神经网络的命名实体识别与共指消解联合模型[J]. 电子学报, 2020,48(3):442-448. DOI： 10.3969/j.issn.0372-2112.2020.03.004.

GAO Cheng-sheng, ZHANG Jun-fu, LI Wei-ping, et al. A Joint Model of Named Entity Recognition and Coreference Resolution Based on Hybrid Neural Network[J]. Acta Electronica Sinica, 2020, 48(3): 442-448. DOI： 10.3969/j.issn.0372-2112.2020.03.004.

摘要

命名实体识别与共指消解均依赖于对实体相邻文本信息的学习，本文提出一种基于混合神经网络的命名实体识别与共指消解联合模型，共用双向长短时记忆模型LSTM编码层对输入序列中每个词前后方向上下文信息进行编码，并通过训练学习得到上下文信息传递到前馈神经网络FFNN模型以提高共指消解精度，通过将领域文档及篇章语义向量加入FFNN，改进共指消解算法并优化共指消解模型.基于领域文本数据集进行联合模型训练，实验结果表明该联合模型可以有效地提高共指消解精度.

Abstract

Considering that both named entity recognition and coreference resolution depend on the same context of the entity word

this paper proposes a hybrid neural network model to settle these problems which contains a named entity recognition (NER) module and a coreference resolution (CR) module. NER and CR share the same bidirectional LSTM encoding layer

which is used to encode each input word by taking into account the context on both sides of the word. The contextual information of entities obtained in BiLSTM encoding layer further pass through to FFNN module to improve the coreference resolution. Furthermore

by adding domain documents and chapter semantic vectors to FFNN

the coreference resolution algorithm is improved and the coreference resolution model is optimized. Finally

we conduct experiments on the domain dataset to verify the effectiveness of our method. The joint model can effectively improve the accuracy of coreference resolution task.

关键词

Keywords

references

浏览量

130

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

背景感知机制的图像分类网络

基于神经网络的图像风格迁移算法综述

基于自适应空间映射多可信度模型的网状天线形态机电集成优化设计

基于字形特征的中文医学命名实体识别方法

差分编码与神经网络辅助的OFDM系统信道估计方法