声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：张晗,郭渊博,李涛,
关键词：领域命名实体识别, 生成式对抗网络, 众包标注数据, 实体标注一致, BiLSTM-Attention-CRF模型,
领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题，利用生成式对抗网络(generativeadversarialnetwork,GAN)可以生成数据的特点，将生成式对抗网络与BiLSTM-Attention-CRF模型相结合.首先以BiLSTM-Attention作为生成式对抗网络的生成器模型，以CNN作为判别器模型，从众包标注数据集中整合出与专家标注数据分布一致的正样本标注数据来解决领域内标注数据缺乏的问题；然后通过在BiLSTM-Attention-CRF模型中引入文档层面的全局向量，计算每个单词与该全局向量的关系得出其新的特征表示以解决由于实体名称多样化造成的同一文档中实体标注不一致问题；最后，在基于信息安全领域众包标注数据集上的实验结果表明，该模型在各项指标上显著优于同类其他模型方法.
来源：2019年第9期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。