期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于细粒度词表示的命名实体识别研究
被引量：
16
1
作者
林广和
张绍武
林鸿飞
《中文信息学报》
CSCD
北大核心
2018年第11期62-71,78,共11页
命名实体识别(NER)是自然语言处理中的一项基础任务,其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文...
命名实体识别(NER)是自然语言处理中的一项基础任务,其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先提出一种基于注意力机制的字符级词表示模型Finger来融合形态学信息和单词的字符信息,然后将Finger与BiLSTM-CRF模型联合进行实体识别,最终该方法以端到端、无任何特征工程的方式在CoNLL 2003数据集上取得了F1为91.09%的结果。实验表明,该文设计的Finger模型显著提升NER系统的召回率,从而使得模型的识别能力显著提升。
展开更多
关键词
命名实体识别
端到端模型
字符
级词
表示
模型
注意力机制
在线阅读
下载PDF
职称材料
基于深度学习的梵藏文本识别
2
作者
才让叁智
仁增多杰
+1 位作者
多拉
索南尖措
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第6期1059-1066,共8页
[目的]梵藏文本识别是自动排序、词法分析和自动校对等研究的重要前期工作环节.当前基于规则的梵藏文本识别方法中存在无法有效识别短梵文词语等诸多问题.[方法]在自建的梵藏文本识别数据集上,采用基于双向长短时记忆网络和自注意力的...
[目的]梵藏文本识别是自动排序、词法分析和自动校对等研究的重要前期工作环节.当前基于规则的梵藏文本识别方法中存在无法有效识别短梵文词语等诸多问题.[方法]在自建的梵藏文本识别数据集上,采用基于双向长短时记忆网络和自注意力的梵藏文本识别方法、基于预训练语言模型CINO的梵藏文本识别方法和基于规则的梵藏文本识别方法之间进行实验对比,并分析它们的识别结果,进而选出最优的梵藏文本识别方法.[结果]基于双向长短时记忆网络和自注意力机制的梵藏文本识别模型的宏准确率、召回率和F1值分别达到了98.09%、99.22%和98.65%,其效果优于多语言预训练模型CINO和其他3种基于规则的方法.[结论]基于skip-gram、CBOW和GloVe的藏文字符表示模型使用相同的小规模、无重样的训练数据集时,CBOW的字符表示效果优于其他两者;训练数据相同的情况下,基于双向长短时记忆网络和自注意力机制的梵藏文本识别模型优于多语言预训练模型CINO,同时,也优于基于规则的梵藏文本识别模型.
展开更多
关键词
藏文信息处理
梵藏文本识别
字符表示
STTRM_BS模型
在线阅读
下载PDF
职称材料
题名
基于细粒度词表示的命名实体识别研究
被引量：
16
1
作者
林广和
张绍武
林鸿飞
机构
大连理工大学计算机科学与技术学院
新疆财经大学计算机科学与工程学院
出处
《中文信息学报》
CSCD
北大核心
2018年第11期62-71,78,共11页
基金
国家自然科学基金(61562080
71561025
+1 种基金
61632011
61572102)
文摘
命名实体识别(NER)是自然语言处理中的一项基础任务,其性能的优劣极大地影响着关系抽取、语义角色标注等后续任务。传统的统计模型特征设计难度大、领域适应性差,一些神经网络模型则忽略了词本身所具有的形态学信息。针对上述问题,该文构建了一种基于细粒度词表示的端到端模型(Finger-BiLSTM-CRF)来进行命名实体识别任务。该文首先提出一种基于注意力机制的字符级词表示模型Finger来融合形态学信息和单词的字符信息,然后将Finger与BiLSTM-CRF模型联合进行实体识别,最终该方法以端到端、无任何特征工程的方式在CoNLL 2003数据集上取得了F1为91.09%的结果。实验表明,该文设计的Finger模型显著提升NER系统的召回率,从而使得模型的识别能力显著提升。
关键词
命名实体识别
端到端模型
字符
级词
表示
模型
注意力机制
Keywords
named entity recognition
end-to-end model
character-level word representation model
attention mechanism
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于深度学习的梵藏文本识别
2
作者
才让叁智
仁增多杰
多拉
索南尖措
机构
西藏大学信息科学技术学院
西北民族大学中国语言文学学部
西藏大学藏文信息技术国家地方联合工程研究中心
省部共建藏语智能信息处理及应用国家重点实验室
青海师范大学藏语智能信息处理及应用国家重点实验室
出处
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第6期1059-1066,共8页
基金
国家自然科学基金项目(62266037)
西藏自治区自然科学基金项目(XZ202101ZR0108G)
+2 种基金
西藏大学珠峰学科建设计划项目(zf22002001)
西藏大学校级科研培育基金项目(ZDCZJH19-19)
西藏自治区科技厅中央引导地方科技发展资金(XZ202102YD0018C)。
文摘
[目的]梵藏文本识别是自动排序、词法分析和自动校对等研究的重要前期工作环节.当前基于规则的梵藏文本识别方法中存在无法有效识别短梵文词语等诸多问题.[方法]在自建的梵藏文本识别数据集上,采用基于双向长短时记忆网络和自注意力的梵藏文本识别方法、基于预训练语言模型CINO的梵藏文本识别方法和基于规则的梵藏文本识别方法之间进行实验对比,并分析它们的识别结果,进而选出最优的梵藏文本识别方法.[结果]基于双向长短时记忆网络和自注意力机制的梵藏文本识别模型的宏准确率、召回率和F1值分别达到了98.09%、99.22%和98.65%,其效果优于多语言预训练模型CINO和其他3种基于规则的方法.[结论]基于skip-gram、CBOW和GloVe的藏文字符表示模型使用相同的小规模、无重样的训练数据集时,CBOW的字符表示效果优于其他两者;训练数据相同的情况下,基于双向长短时记忆网络和自注意力机制的梵藏文本识别模型优于多语言预训练模型CINO,同时,也优于基于规则的梵藏文本识别模型.
关键词
藏文信息处理
梵藏文本识别
字符表示
STTRM_BS模型
Keywords
Tibetan information processing
Sanskrit-Tibetan text recognition
character representation
STTRM_BS model
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于细粒度词表示的命名实体识别研究
林广和
张绍武
林鸿飞
《中文信息学报》
CSCD
北大核心
2018
16
在线阅读
下载PDF
职称材料
2
基于深度学习的梵藏文本识别
才让叁智
仁增多杰
多拉
索南尖措
《厦门大学学报（自然科学版）》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
