用于NER全局一致性的神经实体推理器
计算与语言
2018-10-02 v1 人工智能
摘要
我们提出神经实体推理器（NE-Reasoner），一种将已识别实体的全局一致性引入命名实体识别（NER）任务上神经推理器的框架。给定输入句子，NE-Reasoner层可推断多个实体以提升输出标签的全局一致性，随后被传递为下一层输入的实体。NE-Reasoner继承并发展了神经推理器的若干特性：1）符号记忆，允许层间交换实体；2）特定的交互池化机制，允许将每个局部词连接到多个全局实体；3）深层架构，允许将已识别实体集从粗到细自举。如同人类，NE-Reasoner能够容纳罕见或从未见过的歧义词与命名实体。尽管引入了符号信息，NE-Reasoner仍可通过参数共享策略以端到端方式有效训练。NE-Reasoner在英语与中文NER数据集的大多数情况下均优于传统NER模型。例如，其在CoNLL-2003英语NER数据集上取得了最优结果（state-of-art）。
引用
@article{arxiv.1810.00347,
title = {Neural Entity Reasoner for Global Consistency in NER},
author = {Xiaoxiao Yin and Daqi Zheng and Zhengdong Lu and Ruifang Liu},
journal= {arXiv preprint arXiv:1810.00347},
year = {2018}
}
备注
8 pages, 3 figures, submitted to AAAI2019