面向命名实体识别的更优特征融合方法
计算与语言
2021-04-13 v1 机器学习
摘要
已有研究表明，命名实体识别（NER）可受益于融合依赖树所捕获的长距离结构信息。我们认为这是因为两类特征——由线性序列捕获的上下文信息与由依赖树捕获的结构信息——可能互为补充。然而，现有方法主要侧重于堆叠 LSTM 与图神经网络（如图卷积网络 GCN）来构建改进的 NER 模型，其中两类特征之间的确切交互机制并不十分清晰，且性能提升似乎并不显著。在本工作中，我们提出了一种简单而鲁棒的方案，通过我们的 Synergized-LSTM（Syn-LSTM）融合这两类特征，其清晰地刻画了两类特征如何交互。我们在跨四种语言的若干标准数据集上进行了大量实验。结果表明，所提模型以更少的参数取得了优于以往方法的性能。我们的进一步分析表明，与强基线相比，我们的模型能够捕获更长的依赖关系。
引用
@article{arxiv.2104.05316,
title = {Better Feature Integration for Named Entity Recognition},
author = {Lu Xu and Zhanming Jie and Wei Lu and Lidong Bing},
journal= {arXiv preprint arXiv:2104.05316},
year = {2021}
}
备注
Accepted by NAACL 2021. 13 pages, 9 Figure, 10 Tables