计算机研究与发展

作者：王嘉诚,王凯,王昊奋,杜渂,何之栋,阮彤,刘井平,

关键词：命名实体识别, 远程监督, 深度强化学习, 噪声检测, 预训练策略,

针对远程监督命名实体识别（namedentityrecognition,NER）任务，目前有许多基于强化学习的方法，利用强化学习的强大决策能力，对远程监督生成的自动标注数据进行噪声过滤.然而，这些方法所使用的策略网络模型架构都较简单，识别噪声能力较弱，且都以完整的句子样本为单位进行识别，导致句子中的部分正确信息被丢弃.为解决上述问题，提出了一种新的基于强化学习的方法，称为RLTL-DSNER，该方法可以从远程监督生成的带噪数据中，以单词级别识别正确实例，减少噪声实例对远程监督NER的负面影响.具体来说，在策略网络模型中引入了标签置信函数来准确识别实例.此外，提出了一种新颖的NER模型预训练策略，使其能为强化学习的初始训练提供精准的状态表示和有效的奖励值，引导其向正确的方向更新.在4个数据集上的实验结果验证了RLTL-DSNER方法的优越性，在NEWS数据集上，相较于现有最先进的方法，获得了4.28%的F1提升.

来源：2024年第4期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第4期