Improving Named Entity Recognition for Chinese Social Media with Word Segmentation Representation Le
发布时间
阅读量：
阅读量
简介
文章的主要贡献在于结合训练分词的模型（单向LSTM-CRF）与NER的训练过程，并以期进一步提升NER模型的效果。
模型结构
模型的总体结构如下：
左边为中文分词采用的模型架构（LSTM+CRF），右边则为实体识别（NER）任务所采用的模型架构，在该架构中发现，在NE R 模型中的 CRF 层的主要特征来源于该层三个关键维度的信息融合
- 该字符的嵌入类型
- 该字符的嵌入量即在分词过程中使用的该字符嵌入
- 分词模型中每个字符在隐藏层中的输出结果（其中，在CRF层前一层的位置上的输出结果）
训练时的目标函数如下：
分词模型的损失函数由第一项构成，而NER的损失函数由第二项组成；其中\lambda代表权重参数，在实际应用中通常会对NER模块赋予更高的重视程度，因此一般设置\lambda<1以优化整体性能
全部评论 (0)
还没有任何评论哟~