摘 要：命名实体识别(named entity recognition, NER)旨在从非结构化文本中识别出预定义的实体类别。当前中文NER 方法常依赖静态词汇匹配或外部词典增强，面临多义词歧义、上下文依赖缺失等问题，导致实体边界模糊、嵌套和不连续结构识别困难。为此，本文提出一种融合KAN(Kolmogorov-Arnold Networks)与动态多头注意力机制的中文命名实体识别方法(KaNER)。设计一种KAN 驱动的多频基函数动态筛选方法，协同位置感知样条插值增强字符对特征，并结合自适应语义门控权重调整字符对关联强度。进一步通过多头注意力整合模块，结合多子空间特征交互优化全局–局部语义融合。实验结果表明，KaNER 在OntoNotes、MSRA、Resume 和Weibo 4 个平面实体数据集上F1 值最优达96.92%，较最佳基线均有提升；在ACE2004 与ACE2005 嵌套实体数据集上F1 值达88.41%和88.94%。证明了KaNER 的有效性。该模型为复杂中文实体识别提供了高精度、轻量化解决方案，对知识抽取、智能问答等下游任务具有重要应用价值。

论文下载：

KaNER_融合KAN和动态注意力机制的中文命名实体识别方法_龙卫平.pdf

  浏览次数：