反馈式K近邻语义迁移学习的领域命名实体识别

摘要：

领域命名实体识别是构建领域知识图谱的重要基础.针对专业领域语料匮乏的特点,构建基于深度学习的BiLSTM-CNN-CRFs网络模型,并提出一种反馈式K近邻语义迁移学习的领域命名实体识别方法.首先,对专业领域语料和通用领域语料分别训练得到语料文档向量,使用马哈拉诺比斯距离计算领域语料与通用语料的语义相似性,针对每个专业领域样本分别取K个语义最相似的通用领域样本进行语义迁移学习,构建多个迁移语料集.然后,使用BiLSTM-CNN-CRFs网络模型对迁移语料集进行领域命名实体识别,并对识别结果进行评估和前馈,根据反馈结果选取合适的K值,作为语义迁移学习的最佳阈值.以包装领域和医疗领域为例进行实验验证,结果表明:本文方法取得了很好的识别效果,可以有效解决专业领域语料匮乏问题.

关键词：领域命名实体识别、反馈式K近邻、语义迁移学习、深度学习、卷积神经网络、文档向量、马哈拉诺比斯距离、包装领域、医疗领域

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61402165;湖南省教育厅重点项目15A049;湖南工业大学重点项目17ZBL-WT001KT006;湖南省研究生科研创新项目CX2017B688

在线出版日期：2019-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：820-830