基于增强BiLSTM的网络文章核心实体识别

• 作者: 周康 曲卫东 杨艺琛
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 中文命名实体识别 核心实体识别 深度学习 双向长短期记忆网络 AdaBoost
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 人工智能技术
• 页码范围: 7-12
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2021.01.002

摘要

文章核心实体是文章主要描述或担任文章主要角色的实体词.随着互联网的发展与网络传媒平台的兴起,自媒体网络新闻传播严重影响着公众的价值导向,网络文章核心实体识别是情感分析、舆情监测等自然语言处理任务的重要基础步骤.相对于较易识别的传统命名实体,文章核心实体的识别难度更大,其抽取工作不仅需要基于篇章理解的复杂特征信息,还涉及灵活多样的领域表述方式.针对这些问题,提出了一种基于增强双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的网络文章核心实体识别模型.该模型通过BiLSTM来捕捉刻画文章的篇章级特征,在BiLSTM模型的基础上利用Bert模型提升上下文语义质量,增强原有模型的语义表达能力,同时引入AdaBoost集成学习框架来组合多个针对语料数据的不同侧面训练的子模型,从而增强整体的识别效果.文章所做实验验证了该模型的可行性和有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周康		1	0	0.0	0.0
2	曲卫东		2	3	1.0	1.0
3	杨艺琛		1	0	0.0	0.0