命名实体识别的神经重排序
计算与语言
2017-07-18 v1
摘要
我们提出了一种用于命名实体识别（NER）的神经重排序系统。其基本思想是利用循环神经网络模型来学习涉及命名实体提及的句子级模式。特别地，给定基线NER模型产生的输出句子，我们将所有实体提及（如 \textit{Barack Obama}）替换为其实体类型（如 \textit{PER}）。由此得到的句子模式包含直接的输出信息，且在没有特定命名实体的情况下不那么稀疏。例如，"PER was born in LOC" 就是这样一种模式。LSTM和CNN结构被用于学习此类句子的深度表示以进行重排序。实验结果表明，我们的系统能够显著提升两种不同基线的NER准确率，并在标准基准上取得了已报告的最佳结果。
引用
@article{arxiv.1707.05127,
title = {Neural Reranking for Named Entity Recognition},
author = {Jie Yang and Yue Zhang and Fei Dong},
journal= {arXiv preprint arXiv:1707.05127},
year = {2017}
}
备注
Accepted as regular paper by RANLP 2017