门控空洞卷积与级联网络中文命名实体识别

在中文命名实体识别任务中,文本数据存在多种属性实体,传统模型需要在每个实体上进行繁杂的分类任务,工作量大,难以识别,且采用循环结构,模型运算速度较慢.本文在传统模型的基础上,提出门控空洞卷积与级联网络,门控空洞卷积提高模型运算速度,级联结构将中文命名实体识别任务改为多任务学习,将实体的属性与位置分开标注,降低分类计算量,得到的结果再进行拼接,形成完整的标注结果.实验结果表明,本文提出的门控空洞卷积与级联结构的模型,在Resume数据集上,F1达到了95.50%,比baseline模型提高了1.79%,验证该文提出的模型具有良好的有效性与优越性.

一种结合词汇信息特征的中文命名实体识别方法

在中文命名实体识别任务中,基于字符级嵌入的模型通常仅采用BiLSTM网络获取序列中字符的上下文特征进行实体识别,并没有考虑到词汇信息特征能够在识别实体边界时提供更优的约束.针对此问题,该文提出了一种结合词汇信息特征的中文命名实体识别方法.首先,采用带有残差连接的门控空洞卷积网络提取序列局部特征来表示词汇信息特征,以及采用BiGRU提取序列全局上下文信息特征,并添加句子级注意力机制来增强网络的长序列建模能力;其次,利用稀疏注意力机制对特征进行动态融合,获得包含词汇信息的文本特征;最后,运用CRF学习序列中的约束条件,得到最佳的实体标注结果.对比实验结果表明,该文方法在Resume和CLUENER2020数据集上优于主流的中文命名实体识别方法.

顾及时空关系的事故灾难事理图谱构建方法研究

事故灾难事理图谱可以全面表达事故发展过程、各子事件信息及多种事件关系,为事故灾难分析提供知识服务。针对事故灾难事理图谱构建中存在的时空关系中文语料匮乏、中文词汇边界模糊导致事件抽取不准确、隐式事件关系难以识别的问题,提出一种顾及时空关系的事故灾难事理图谱构建方法。该方法首先设计了基于命名规律性的词汇增强事件抽取模型,感知实体名称规律以确定事件信息边界和类型,然后采用一种融合注意力和门控空洞卷积的关系识别方法,获取多维度文本特征来挖掘潜在事件关系,并建立了含时空关系的中文事故灾难语料库(Chinese disaster corpus with spatiotemporal relationship,CDCSTR)。在CDCSTR和中文突发事件语料库上进行实验,结果表明,事件抽取模型的F1值分别达到88.59%和78.49%;与现有方法相比,关系识别模型在CDCSTR上的4个任务性能均有提升,尤其是空间关系识别优势明显,取得了3.08%以上的性能领先。以成乐高速追尾事故为例进行验证,构建的事理图谱能展示现实场景下的事故演化过程和时空变化特征,辅助事故应急工作。