基于细粒度实体分类的对比研究

摘要：

细粒度实体分类是一项多类别多标签任务,能协助广泛的下游任务(关系抽取、共指消解、问答系统等)提高工作效率、优化准确率,已成为自然语言处理领域的一个研究热点.针对传统的细粒度实体分类方法人工标注大型语料库难度大,准确率偏低等问题,研究人员提出了基于神经网络的细粒度实体分类方法,不仅能够解决人工标注费时费力的问题,而且可以提高分类的准确率.然而现有的神经网络模型大多需要远程监督的参与,在此过程中会引入噪声标签等问题,通过噪声标签处理方法能够有效抑制噪声标签对分类结果的影响,进一步提升分类性能.在相同评测数据集下,根据相同评价指标对比各类细粒度实体分类方法的性能,可以发现在细粒度实体分类领域中采用BiLSTM处理实体指称上下文,并通过注意力机制提取更为重要的特征,有助于提高细粒度实体分类方法的准确率、Macro Fl值和Micro Fl值.

关键词：细粒度实体分类、神经网络、远程监督、噪声处理

所属期刊栏目：39

分类号：TP391.1(计算技术、计算机技术)

资助基金：安徽省教育厅高校自然科学重点项目;安徽省教育厅高校自然科学重点项目;国家级大学生创新创业训练计划项目;国家级大学生创新创业训练计划项目

在线出版日期：2022-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：9-18