实体识别作为多任务
计算与语言
2017-07-24 v2
摘要
实体识别中的标准方法将边界检测和类型预测硬编码到标签中（例如，John/B-PER Smith/I-PER），然后执行维特比（Viterbi）解码。这有两个缺点：1. 运行时间复杂度随类型数量呈二次增长；2. 没有自然的片段级表示。本文中，我们提出一种新颖的神经架构来解决这些缺点。我们将该问题构建为多任务，分离边界检测和类型预测但联合优化它们。尽管简单，该架构在与完全结构化模型（如 BiLSTM-CRFs）竞争时表现良好，同时随类型数量线性扩展。此外，通过构造，该模型推导出预测提及的类型消歧嵌入。
引用
@article{arxiv.1612.02706,
title = {Entity Identification as Multitasking},
author = {Karl Stratos},
journal= {arXiv preprint arXiv:1612.02706},
year = {2017}
}
备注
EMNLP 2017, Workshop on Structured Prediction for NLP