基于实例迁移与增强循环神经网络的领域命名实体识别方法
计算与语言
2018-10-17 v1 机器学习
摘要
近来，神经网络在命名实体识别（NER）上展现出有前景的结果，而 NER 需要大量标注数据用于模型训练。当遇到一个新的领域（目标领域）进行 NER 时，没有或仅有少量标注数据，这使得领域 NER 困难得多。由于 NER 已被研究较长时间，一些相似领域已具备良好标注的数据（源领域）。因此，本文通过研究如何利用此类相似源领域的标注数据用于新目标领域，聚焦于领域 NER。我们设计了一种基于核函数的实例迁移策略，从源领域获取相似的标注句子。此外，我们提出了一种增强循环神经网络（ERNN），通过增加一个将源领域标注数据融入传统 RNN 结构的额外层。在两个数据集上进行了综合实验。HMM、CRF 与 RNN 之间的对比结果表明 RNN 表现优于其他模型。当目标领域无标注数据时，与不使用所选迁移实例而直接利用源领域标注数据相比，我们的增强 RNN 方法在 F1 值上从 0.8052 提升至 0.9328。
引用
@article{arxiv.1810.06644,
title = {An Instance Transfer based Approach Using Enhanced Recurrent Neural Network for Domain Named Entity Recognition},
author = {Lin Li and Yueqing Sun},
journal= {arXiv preprint arXiv:1810.06644},
year = {2018}
}