探索上下文与嵌入在面向任务对话系统神经 NER 模型中的重要性
计算与语言
2018-12-07 v1
摘要
命名实体识别（NER）作为经典的序列标注任务，是面向任务对话系统中用于槽填充的自然语言理解（NLU）系统的核心组件。十多年来，从使用地名词典与领域本体进行查找、基于手工特征分类器，到涉及神经网络架构的端到端系统，不同方法大多在非会话的、与语言无关的设置下被评估。在本文中，我们在会话设置下评估了近期 state of the art 神经架构的改进版本，其中消息通常简短且含噪声。我们开展了一系列实验，组合了将对话中前一条话语作为额外特征来源，以及使用在更大型外部语料上训练的词级与字符级嵌入。所有方法均在由两个公开的英语面向任务对话数据集（分别属于旅行与餐饮领域）构成的合并数据集上评估。为补充评估，我们还在向仅英语数据集加入自动翻译与（由翻译转写的）音译版本后重复了部分实验。
引用
@article{arxiv.1812.02370,
title = {Exploring the importance of context and embeddings in neural NER models for task-oriented dialogue systems},
author = {Pratik Jayarao and Chirag Jain and Aman Srivastava},
journal= {arXiv preprint arXiv:1812.02370},
year = {2018}
}
备注
6 Pages Accepted at International Conference on Natural Language Processing (2018) - (ACL)