使用卷积网络的高效多语言名称类型分类
计算与语言
2026-01-19 v1 人工智能
计算机与社会
摘要
我们提出了一种卷积神经网络方法，用于按语言和实体类型对专有名词进行分类。我们的模型 Onomas-CNN X 结合了并行卷积分支、深度可分离操作和层次化分类，以在 CPU 硬件上高效处理名称。我们在涵盖 104 种语言和四种实体类型（人物、组织、地点、其他）的大型多语言数据集上评估了该架构。Onomas-CNN X 在单个 CPU 核心上实现了 92.1% 的准确率，每秒可处理 2,813 个名称——比准确率相当的微调 XLM-RoBERTa 快 46 倍。与 Transformer 基线相比，该模型的能耗降低了 46 倍。我们的实验表明，在拥有充足训练数据的情况下，针对特定 NLP 任务，专用的 CNN 架构依然能与大型预训练模型相媲美。
引用
@article{arxiv.2601.11090,
title = {Efficient Multilingual Name Type Classification Using Convolutional Networks},
author = {Davor Lauc},
journal= {arXiv preprint arXiv:2601.11090},
year = {2026}
}
备注
Preprint of paper presented at ISAI-NLP Phukat 2025