基于词汇融合和依存关系的中文命名实体识别

命名实体识别是自然语言处理领域的重要基础任务,为关系抽取、构建知识图谱等众多下游任务提供有价值的数据支撑。针对中文命名实体识别存在分词错误、实体边界模糊和上下文依赖的难点,以及现有方法不能充分利用词汇信息和有效提取文本内部特征等问题,提出一种基于词汇融合和依存关系的中文命名实体识别模型。首先,获取输入文本中每个字符的自匹配词生成词汇特征向量,并根据字符在它的自匹配词上的位置得到词边界信息,利用双仿射注意力机制将字符向量与词汇特征向量进行融合,将词汇信息和词边界信息融入模型的编码过程,从而使模型获得良好的实体识别能力;然后,根据依存句法建立输入文本的依存图结构,利用图注意力网络(GAT)捕获输入文本内部依存关系特征,增强文本内部的语义依赖信息,同时有利于区分实体边界;最后,使用条件随机场(CRF)计算文本的标签。实验结果表明,该模型在CCKS2017、OntoNote4.0和MSRA数据集上分别获得了92.10%、80.76%和95.66%的F1值,优于对比模型。

融合Skip-gram与R-SOPMI的教育领域情感词典构建

提出一种基于特征融合的细粒度教育领域情感词典构建方法。首先构建了教育领域语料库,包含正式、非正式领域情绪特征;其次提出一种融合特征的领域情绪词典构建方法,在情绪划分基础上识别词的语言概率特征以及统计概率特征,改进情感倾向点互信息,提出用于情绪分类的情感倾向点互信息算法,实现共现多分类情绪划分;最后得到细粒度教育领域情感词典,词典扩充至39 138个情绪词。实验表明:使用所提出方法构建的教育领域情绪词典除情绪“怒”以外,各类别F1综合指标均高于78.09%,整体性能良好。与通用词典相比,宏平均准确率、宏召回率和宏F1分别提升了21.95%、2.50%和13.01%,表明该融合特征方法能有效提取领域特征进而完成细粒度领域词典构建。

词典信息分层调整的中文命名实体识别方法

在中文命名实体识别任务中,字信息融合词汇信息能丰富文本特征,但一个字可能对应多个候选词汇,容易产生词汇冲突,融合无关词汇信息会影响模型的识别效果,对此提出了词典信息分层调整的中文命名实体识别方法。首先将所有潜在词语按照词语长度进行分层,通过高层词语反馈调整低层词语的权重来保留更有用的信息,以此缓解语义偏差问题和降低词汇冲突影响;然后将词汇信息拼接到字信息来增强文本特征表示。在Resume和Weibo数据集上的实验结果表明,本文方法与传统方法相比具有更优的效果。

基于网络语料的特定领域情感词典生成方法研究

[目的/意义]旨在为构建特定领域情感词典提供参考。[方法/过程]基于同义词词典和基于语料库的特点,提出多元融合的词语关系图构建方法,利用半监督标签传播算法为未标记的词语分配情感极性,并进行实例分析。[结果/结论]该方法在自动生成特定领域词汇上具有优越性。

现代阐释学对大学英语词汇学习的启示

词汇是语言的基本要素,英语词汇的教学是大学英语教学的重要组成部分。词汇学习的失败是许多大学生对英语学习失去信心和兴趣的主要因素之一。本文尝试结合现代阐释学,以论述前理解,效果历史和视域融合给词汇学习带来的启示。

融合词汇信息与GlobalPointer的实体识别

为了提升GlobaiPointer方法的实体边界区分性能,提出一种融合词汇信息与GlobalPointer的实体识别方法。对SoftLexicon提取的词汇特征与字符相结合,采用BiLSTM网络与RoPE编码捕捉时序与相对位置信息构建全面特征,通过实体矩阵实现实体识别。对多个数据集进行试验,本研究提出的模型相较于其他基线模型,精确率、召回率、F_(1)均有一定的提升,Weibo数据集中F_(1)达到71.33%、CMeEE数据集中F_(1)达到63.45%,表明本研究提出的模型架构能够进一步扩充语义表征,增强识别性能。