检索结果-维普期刊中文期刊服务平台

因果关系表示增强的跨领域命名实体识别: 1; 作者刘小明曹梦远 +2 位作者杨关刘杰王杭《计算机工程与应用》 CSCD 北大核心 2024年第18期176-188,共13页; 跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域... 展开更多; 关键词跨领域命名实体识别迁移学习因果关系结构因果模型语义特征表示; 在线阅读下载PDF 职称材料

结合GAN与BiLSTM-Attention-CRF的领域命名实体识别被引量：32: 2; 作者张晗郭渊博李涛《计算机研究与发展》 EI CSCD 北大核心 2019年第9期1851-1858,共8页; 领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-At... 展开更多; 关键词领域命名实体识别生成式对抗网络众包标注数据实体标注一致 BiLSTM-Attention-CRF模型; 在线阅读下载PDF 职称材料

基于本体的汉语领域命名实体识别被引量：3: 3; 作者史树敏冯冲 +2 位作者黄河燕刘东升王树梅《情报学报》 CSSCI 北大核心 2009年第6期857-863,共7页; 命名实体识别是众多自然语言处理任务的核心内容之一,也是近年来的领域研究热点。本文将命名实体分为两大类：常规命名实体和领域命名实体。基于已经构建的领域本体MPO,本文提出一种基于本体知识规则与统计方法相结合的领域命名实体识... 展开更多; 关键词领域实体领域命名实体识别本体词性规则模板 CRFS; 在线阅读下载PDF 职称材料

反馈式K近邻语义迁移学习的领域命名实体识别被引量：7: 4; 作者朱艳辉李飞 +2 位作者冀相冰曾志高徐啸《智能系统学报》 CSCD 北大核心 2019年第4期820-830,共11页; 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... 展开更多; 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; 在线阅读下载PDF 职称材料

中文领域命名实体识别综述被引量：51: 5; 作者焦凯楠李欣朱容辰《计算机工程与应用》 CSCD 北大核心 2021年第16期1-15,共15页; 命名实体识别(Named Entity Recognition,NER)作为自然语言处理领域经典的研究主题,是智能问答、知识图谱等任务的基础技术。领域命名实体识别(Domain Named Entity Recognition,DNER)是面向特定领域的NER方案。在深度学习技术的推动下... 展开更多; 关键词自然语言处理中文领域命名实体识别深度学习; 在线阅读下载PDF 职称材料

结合字形特征与迭代学习的金融领域命名实体识别被引量：20: 6; 作者刘宇瀚刘常健 +4 位作者徐睿峰骆旺达陈奕吉忠晟应能涛《中文信息学报》 CSCD 北大核心 2020年第11期74-83,共10页; 针对中文金融文本领域的命名实体识别,该文从汉字自身特点出发,设计了结合字形特征、迭代学习以及双向长短时记忆网络和条件随机场的神经网络模型。该模型是一种完全端到端且不涉及任何特征工程的模型,其将汉字的五笔表示进行编码以进... 展开更多; 关键词金融领域命名实体识别中文语料库深度学习; 在线阅读下载PDF 职称材料

题名因果关系表示增强的跨领域命名实体识别: 1; 作者刘小明曹梦远杨关刘杰王杭; 机构中原工学院计算机学院国家语委中国语言智能研究中心郑州市文本处理与图像理解重点实验室河南省网络舆情监测与智能分析重点实验室北方工业大学信息学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第18期176-188,共13页; 基金国家自然科学基金(62076167,61772020) 河南省高等学校重点科研项目(24A520058,23A520022)。; 文摘跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域中的虚假相关性问题,提出一种因果关系表示增强的跨领域命名实体识别模型,将源域的语义特征表示与目标域的语义特征表示进行融合,生成一种增强的上下文语义特征表示。通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系。在目标域中应用因果干预和反事实推断策略,提取存在的直接因果效应,从而进一步缓解特征与标签之间的虚假相关性问题。该方法在公共数据集上进行了实验,实验结果得到了显著提高。; 关键词跨领域命名实体识别迁移学习因果关系结构因果模型语义特征表示; Keywords cross-domain named entity recognition transfer learning causal relationship structural causal model semantic feature representation; 分类号 TP391.1 [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

题名结合GAN与BiLSTM-Attention-CRF的领域命名实体识别被引量：32: 2; 作者张晗郭渊博李涛; 机构战略支援部队信息工程大学密码工程学院郑州大学软件学院; 出处《计算机研究与发展》 EI CSCD 北大核心 2019年第9期1851-1858,共8页; 基金国家自然科学基金项目(61501515) 河南省重点科技攻关项目(172102210002) 郑州大学青年骨干教师项目(2017ZDGGJS048)~~; 文摘领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-Attention-CRF模型相结合.首先以BiLSTM-Attention作为生成式对抗网络的生成器模型,以CNN作为判别器模型,从众包标注数据集中整合出与专家标注数据分布一致的正样本标注数据来解决领域内标注数据缺乏的问题;然后通过在BiLSTM-Attention-CRF模型中引入文档层面的全局向量,计算每个单词与该全局向量的关系得出其新的特征表示以解决由于实体名称多样化造成的同一文档中实体标注不一致问题;最后,在基于信息安全领域众包标注数据集上的实验结果表明,该模型在各项指标上显著优于同类其他模型方法.; 关键词领域命名实体识别生成式对抗网络众包标注数据实体标注一致 BiLSTM-Attention-CRF模型; Keywords domain named entity recognition generative adversarial network (GAN) crowd annotations entity annotations consistent BiLSTM-Attention-CRF model; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于本体的汉语领域命名实体识别被引量：3: 3; 作者史树敏冯冲黄河燕刘东升王树梅; 机构南京理工大学计算机科学与技术学院中国科学院计算机语言信息工程研究中心内蒙古师范大学计算机与信息工程学院; 出处《情报学报》 CSSCI 北大核心 2009年第6期857-863,共7页; 基金基金项目：本文得到国家863（2006AA012152,2006AA010109）,国家自然科学基金（60672149）资助.; 文摘命名实体识别是众多自然语言处理任务的核心内容之一,也是近年来的领域研究热点。本文将命名实体分为两大类：常规命名实体和领域命名实体。基于已经构建的领域本体MPO,本文提出一种基于本体知识规则与统计方法相结合的领域命名实体识别方法。该方法通过本体化实例,获取实体构成词性规则模板,结合CRFs机器学习模型,进行领域命名实体识别。实验结果表明：相比运用单一统计方法而言,该方法能使领域实体的识别性能显著提高,F值达到92.36%。同时表明本体化知识规则的有效运用,能够在领域实体边界和特殊形式领域实体识别的准确率上发挥积极作用。; 关键词领域实体领域命名实体识别本体词性规则模板 CRFS; Keywords DNE DNER domain ontology POS-Rule Template CRFs; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] TP391.72 [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

题名反馈式K近邻语义迁移学习的领域命名实体识别被引量：7: 4; 作者朱艳辉李飞冀相冰曾志高徐啸; 机构湖南工业大学计算机学院湖南省智能信息感知及处理技术重点实验室; 出处《智能系统学报》 CSCD 北大核心 2019年第4期820-830,共11页; 基金国家自然科学基金项目(61402165) 湖南省教育厅重点项目(15A049) +1 种基金湖南省研究生科研创新项目(CX2017B688); 文摘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; Keywords domain-named entity recognition feedback K-nearest neighbor semantic transfer learning deep learning CNN Doc2Vec Mahalanobis distance packaging field medical field; 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

题名中文领域命名实体识别综述被引量：51: 5; 作者焦凯楠李欣朱容辰; 机构中国人民公安大学信息网络安全学院安全防范技术与风险评估公安部重点实验室; 出处《计算机工程与应用》 CSCD 北大核心 2021年第16期1-15,共15页; 基金公安部技术研究计划(2020JSYJC22ok) 国家高技术研究发展技术(863计划)(2015AA016009) 中国人民公安大学基本科研业务费项目(2021JKF215)。; 文摘命名实体识别(Named Entity Recognition,NER)作为自然语言处理领域经典的研究主题,是智能问答、知识图谱等任务的基础技术。领域命名实体识别(Domain Named Entity Recognition,DNER)是面向特定领域的NER方案。在深度学习技术的推动下,中文DNER取得了突破性进展。概括了中文DNER的研究框架,从领域数据源的确定、领域实体类型及规范制定、领域数据集的标注规范、中文DNER评估指标四个角度对国内外已有研究成果进行了综合评述;总结了目前常见的中文DNER的技术框架,介绍了基于词典和规则的模式匹配方法、统计机器学习方法、基于深度学习的方法、多方融合的深度学习方法,并重点分析了基于词向量表征和深度学习的中文DNER方法;讨论了中文DNER的典型应用场景,对未来发展方向进行了展望。; 关键词自然语言处理中文领域命名实体识别深度学习; Keywords natural language processing Chinese domain named entity recognition deep learning; 分类号 TP389.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名结合字形特征与迭代学习的金融领域命名实体识别被引量：20: 6; 作者刘宇瀚刘常健徐睿峰骆旺达陈奕吉忠晟应能涛; 机构哈尔滨工业大学(深圳)计算机科学与技术学院; 出处《中文信息学报》 CSCD 北大核心 2020年第11期74-83,共10页; 基金国家自然科学基金(61632011,61876053) 深圳市基础研究项目(JCYJ20180507183527919,JCYJ20180507183608379) 深圳市技术攻关项目(JSGG20170817140856618)。; 文摘针对中文金融文本领域的命名实体识别,该文从汉字自身特点出发,设计了结合字形特征、迭代学习以及双向长短时记忆网络和条件随机场的神经网络模型。该模型是一种完全端到端且不涉及任何特征工程的模型,其将汉字的五笔表示进行编码以进行信息增强,同时利用迭代学习的策略不断对模型整体预测结果进行改进。由于现有的命名实体识别研究在金融领域缺乏高质量的有标注的语料库资源,所以该文构建了一个大规模的金融领域命名实体语料库HITSZ-Finance,共计31210个文本句,包含4类实体。该文在语料库HITSZ-Finance上进行了一系列实验,实验结果均表明模型的有效性。; 关键词金融领域命名实体识别中文语料库深度学习; Keywords named entity recognition in financial field Chinese corpus deep learning; 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	因果关系表示增强的跨领域命名实体识别	刘小明曹梦远杨关刘杰王杭	《计算机工程与应用》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	结合GAN与BiLSTM-Attention-CRF的领域命名实体识别	张晗郭渊博李涛	《计算机研究与发展》 EI CSCD 北大核心	2019	32	在线阅读下载PDF 职称材料
3	基于本体的汉语领域命名实体识别	史树敏冯冲黄河燕刘东升王树梅	《情报学报》 CSSCI 北大核心	2009	3	在线阅读下载PDF 职称材料
4	反馈式K近邻语义迁移学习的领域命名实体识别	朱艳辉李飞冀相冰曾志高徐啸	《智能系统学报》 CSCD 北大核心	2019	7	在线阅读下载PDF 职称材料
5	中文领域命名实体识别综述	焦凯楠李欣朱容辰	《计算机工程与应用》 CSCD 北大核心	2021	51	在线阅读下载PDF 职称材料
6	结合字形特征与迭代学习的金融领域命名实体识别	刘宇瀚刘常健徐睿峰骆旺达陈奕吉忠晟应能涛	《中文信息学报》 CSCD 北大核心	2020	20	在线阅读下载PDF 职称材料