用于细粒度实体类型分类的注意力神经架构
计算与语言
2016-04-20 v1
摘要
在本工作中，我们提出了一种用于细粒度实体类型分类任务的新型基于注意力的神经网络模型，该模型与先前提出的模型不同，递归地组合实体提及上下文的表示。我们的模型在成熟的 FIGER 数据集上以 74.94% 的宽松微 F1 分数取得了最先进的性能，相对提升 2.59%。我们还研究了模型注意力机制的行为，并观察到它能够学习指示实体细粒度类别归属的上下文语言表达式。
引用
@article{arxiv.1604.05525,
title = {An Attentive Neural Architecture for Fine-grained Entity Type Classification},
author = {Sonse Shimaoka and Pontus Stenetorp and Kentaro Inui and Sebastian Riedel},
journal= {arXiv preprint arXiv:1604.05525},
year = {2016}
}
备注
6 pages, 2 figures