基于神经耦合模型的异构词法数据转化和融合

• 作者: 张民 李正华 黄德朋 龚晨
• 来源期刊: 北京大学学报（自然科学版）
• 关键词: 耦合模型 BiLSTM 深度学习 词性标注 分词
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 专题报道:面向人工智能的自然语言分析与理解
• 页码范围: 97-104
• 页数: 8页
• 字数: 6446字
• 语种: 中文
• DOI: 10.13209/j.0479-8023.2019.098

摘要

为了扩大人工标注数据的规模,从而提高模型性能,尝试充分利用已有的异构人工标注数据训练模型参数.将Li等2015年提出的耦合序列标注方法扩展到基于BiLSTM的深度学习框架,直接在两个异构训练数据上训练参数,测试阶段则同时预测两个标签序列.在词性标注、分词词性联合标注两个任务上进行大量实验,结果表明,与多任务学习方法和传统耦合模型相比,神经耦合模型在利用词法异构数据方面更优越,在异构数据转化和融合两个场景上都取得更高的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张民	苏州大学计算机科学与技术学院	27	94	5.0	9.0
2	龚晨	苏州大学计算机科学与技术学院	2	1	1.0	1.0
3	李正华	苏州大学计算机科学与技术学院	10	12	2.0	3.0
4	黄德朋	苏州大学计算机科学与技术学院	2	0	0.0	0.0