10.3969/j.issn.1003-0077.2022.07.013
面向教育领域的基于SVR-BiGRU-CRF中文命名实体识别方法
在教育领域中,命名实体识别在机器自动提问和智能问答等相关任务中都有应用.传统的中文命名实体识别模型需要改变网络结构来融入字和词信息,增加了网络结构的复杂度.另一方面,教育领域中的数据对实体边界的识别要十分精确,传统方法未能融入位置信息,对实体边界的识别能力较差.针对以上的问题,该文使用改进的向量表示层,在向量表示层中融合字、词和位置信息,能够更好地界定实体边界和提高实体识别的准确率,使用BiGRU和CRF分别作为模型的序列建模层和标注层进行中文命名实体识别.该文在Resume数据集和教育数据集(Edu)上进行了实验,F1值分别为95.20% 和95.08%.实验结果表明,该文方法对比基线模型提升了模型的训练速度和实体识别的准确性.
中文命名实体识别、BiGRU-CRF、简单向量表示层(SVR)
36
TP391(计算技术、计算机技术)
国家自然科学基金;中央高校基本科研业务费专项
2022-09-19(万方平台首次上网日期,不代表论文的发表时间)
共9页
114-122