特殊领域中的鲁棒命名实体识别
计算与语言
2016-08-25 v1
摘要
命名实体识别在特殊领域中常常失效。这给依赖它的任务（如实体链接和关系抽取）带来了问题。我们提出了一种通用且鲁棒的用于高召回命名实体识别的方法。我们的方法易于训练，并对不同的领域特定语言（如新闻文档（例如 Reuters）或生物医学文本（例如 Medline））具有强大的泛化能力。我们的方法基于深度上下文序列学习，并利用堆叠的双向 LSTM 网络。我们的模型仅用数百句标注句子训练，且不依赖进一步的外部知识。我们报告的结果在标准数据集上取得了 84-94% 的 F1 分数。
引用
@article{arxiv.1608.06757,
title = {Robust Named Entity Recognition in Idiosyncratic Domains},
author = {Sebastian Arnold and Felix A. Gers and Torsten Kilias and Alexander Löser},
journal= {arXiv preprint arXiv:1608.06757},
year = {2016}
}
备注
8 pages, 1 figure