融合上下文的残差门卷积实体抽取

苏丰龙?, 孙承哲, 景宁

国防科技大学电子科学学院, 长沙 410073

收稿日期:2021-06-12修回日期:2021-08-15出版日期:2022-01-20

A Context-Fusion Method for Entity Extraction Based onResidual Gated Convolution Neural Network

SU Fenglong^?, SUN Chengzhe, JING Ning

School of Electronic Science, National University of Defense Technology, Changsha 410073

Received:2021-06-12Revised:2021-08-15Published:2022-01-20

摘要/Abstract

摘要： 基于传统卷积框架的实体抽取方法, 由于受到卷积感受野大小的控制, 当前词与上下文的关联程度有限, 对实体词在整个句子中的语义欠考虑, 识别效果不佳。针对这一问题, 提出一种基于残差门卷积的实体识别方法, 利用膨胀卷积和带残差的门控线性单元, 从多个时序维度同步考虑词间的语义关联, 借助门控单元调整流向下一层神经元的信息量, 缓解跨层传播的梯度消失问题, 同时结合注意力机制捕捉词间的相关语义。在公开命名实体识别数据集和专业领域数据集上运行结果表明, 与传统的实体抽取框架相比, 基于残差门卷积命名实体算法的速度和精度都有较强的竞争优势, 体现出算法的优越性和强鲁棒性。

引用本文

苏丰龙, 孙承哲, 景宁. 融合上下文的残差门卷积实体抽取[J]. 北京大学学报自然科学版, 2022, 58(1): 69-76.
SU Fenglong, SUN Chengzhe, JING Ning. A Context-Fusion Method for Entity Extraction Based onResidual Gated Convolution Neural Network[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2022, 58(1): 69-76.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3700