HREB-CRF：面向中文命名实体识别的层次化降偏指数移动平均
计算与语言
2025-05-13 v2 机器学习
摘要
错误的边界划分、复杂的语义表示以及发音和意义上的差异常常导致中文命名实体识别（CNER）出错。为解决这些问题，本文提出了 HREB-CRF 框架：结合条件随机场（CRF）的层次化降偏指数移动平均。该方法通过局部与全局层次化注意力的指数固定偏置加权平均，放大词边界并汇聚长文本梯度。在 MSRA、Resume 和 Weibo 数据集上的实验结果表明 F1 分数表现优异，分别超越基线模型 1.1%、1.6% 和 9.8%。F1 分数的显著提升证明了该方法在 CNER 任务中的强有效性和鲁棒性。
引用
@article{arxiv.2503.01217,
title = {HREB-CRF: Hierarchical Reduced-bias EMA for Chinese Named Entity Recognition},
author = {Sijin Sun and Ming Deng and Xinrui Yu and Liangbin Zhao},
journal= {arXiv preprint arXiv:2503.01217},
year = {2025}
}
备注
8 pages, 6 figures; Accepted for publication at the 2025 International Joint Conference on Neural Networks (IJCNN 2025), Rome, Italy, 30 June - 5 July