多策略黏菌算法优化BiLSTM的命名实体识别研究

随着深度学习的深入研究,命名实体识别任务日益朝着智能化方向发展,但是命名实体识别模型还存在泛化能力弱、鲁棒性差等缺点,寻求更加高效的下游模型愈发成为研究重点。该文利用多策略黏菌算法(SLSMA)对双向长短时记忆网络模型(BiLSTM)的超参数进行优化,改进的黏菌算法在初始化阶段采用Sobol序列均匀种群密度,迭代后期引入莱维飞行策略动态调整步长,使算法跳出局部最优,并采用改进的黏菌算法优化BiLSTM网络的关键超参数进行命名实体识别,使用LSTM-CRF模型、BiLSTM-CRF模型、SMA-BiLSTM-CRF模型与SLSMA-BiLSTM-CRF模型进行命名实体识别的对比实验。实验结果表明,SLSMA-BiLSTM-CRF在《人民日报》和CoNLL2003数据集上的F1值分别达到98.48%和97.35%,有效提升了命名实体识别的精准性和鲁棒性。