基于迁移学习的社交评论命名实体识别

• 作者: 张晓 李业刚 王栋 史树敏
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 命名实体 社交媒体 迁移学习 双向长短时记忆网络 典型相关性分析
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 143-150
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2022.01.021

摘要

神经网络模型可以有效地处理通用领域命名实体识别,然而在标注语料匮乏和包含大量噪声的特定领域,其性能通常会下降.针对这一问题,提出一种迁移学习神经网络模型TL-BiLSTM-CRF.利用双向长短时记忆网络提取具有字符级别形态特征的字符向量,结合具有语义、语序等特征信息的词向量作为输入,构建基本模型;在基本模型中引入词适应层,通过典型相关性分析算法弥合源域和目标域词向量特征空间的差异,对基本模型进行迁移.在社交媒体文本中的实验结果表明,该算法在Twitter数据集上F1值为64.87％,优于目前最好的模型.