基于神经耦合模型的异构词法数据转化和融合

黄德朋, 李正华^?, 龚晨, 张民

苏州大学计算机科学与技术学院, 苏州 215006

收稿日期:2019-05-22修回日期:2019-09-19出版日期:2020-01-20

基金资助:国家自然科学基金(61525205, 61876116, 61702518)和江苏高校优势学科建设工程项目资助

Neural Network Coupled Model for Conversion and Exploitation of Heterogeneous Lexical Annotations

HUANG Depeng, LI Zhenghua^?, GONG Chen, ZHANG Min

School of Computer Science and Technology, Soochow University, Suzhou 215006

Received:2019-05-22Revised:2019-09-19Published:2020-01-20

PDF

(673KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 为了扩大人工标注数据的规模, 从而提高模型性能, 尝试充分利用已有的异构人工标注数据训练模型参数。将Li等2015年提出的耦合序列标注方法扩展到基于BiLSTM的深度学习框架, 直接在两个异构训练数据上训练参数, 测试阶段则同时预测两个标签序列。在词性标注、分词词性联合标注两个任务上进行大量实验, 结果表明, 与多任务学习方法和传统耦合模型相比, 神经耦合模型在利用词法异构数据方面更优越,在异构数据转化和融合两个场景上都取得更高的性能。

引用本文

黄德朋, 李正华, 龚晨, 张民. 基于神经耦合模型的异构词法数据转化和融合[J]. 北京大学学报自然科学版, 2020, 56(1): 97-104.
HUANG Depeng, LI Zhenghua, GONG Chen, ZHANG Min. Neural Network Coupled Model for Conversion and Exploitation of Heterogeneous Lexical Annotations[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(1): 97-104.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3439