摘 要：针对中文命名实体识别中融合词典信息准确率提升不足的问题，使用在模型内部融合词典信息的策略，并结合预训练语言模型NEZHA 增强文本的嵌入表示，提出一种基于LNBC(LE-NEZHA-BiLSTM-CRF)模型的中文命名实体识别方法．首先通过词典树匹配所有潜在的词，然后采用面向中文理解的神经语境表征模型(NEZHA)进行融合嵌入表示，将训练得到的字词融合向量输入双向长短期记忆(BiLSTM)网络进行特征提取，获取长距离的语义信息，最后通过条件随机场(CRF)层降低错误标签输出的概率．实验结果表明，该方法在MSRA 数据集和Resume 数据集中的F₁值分别为95.71%和96.11%，较其他对比模型均有提高．    

论文下载：

07.pdf

  浏览次数：