- 博客(4)
- 收藏
- 关注
RSS订阅原创 什么是未登录词 Out-of-vocabulary（OOV）?
未登录词就是训练时未出现，测试时出现了的单词。在自然语言处理或者文本处理的时候，我们通常会有一个字词库（vocabulary）。这个vocabulary要么是提前加载的，或者是自己定义的，或者是从当前数据集提取的。假设之后你有了另一个的数据集，这个数据集中有一些词并不在你现有的vocabulary里，我们就说这些词汇是Out-of-vocabulary，简称OOV。...
2019-06-19 10:27:10
11116
1
原创 《GRN: Gated Relation Network to Enhance Convolutional Neural Network for Named Entity Recognition》
问题： 命名实体识别(NER)的主流方法大多采用RNN，如长短时记忆(LSTM)。然而，RNN以顺序方式处理句子。 这可能导致当前时间步骤的计算高度依赖于先前时间步骤的计算。 RNN的这种固有顺序性质使他们无法在训练示例上充分利用GPU并行性，因此可能导致更高的训练和测试时间成本。 与RNN不同，卷积神经网络（CNN）可以前馈方式处理所有单词，而不是逐句地在每个单词上构成表示。然而，...
2019-05-24 17:23:19
2018
原创 《Distantly Supervised NER with Partial Annotation Learning and Reinforcement Learning》
问题：早前对NER的大多数研究都集中在一组预定义的NER类型上，比如人名、地名、组织名、日期等等，提供了一定数量的标记数据来训练模型。然而，不同的应用场景需要特定的实体类型，如电子商务领域的“Brand”和“Product”，金融行业的“Company”。考虑到人工标注的高成本，为每种新的NER类型标注大量数据是不可行的，但有时可以使用小规模数据。 方法：远程监控可以为新型NER自动生成大规模的...
2019-04-27 10:29:18
1619
1
原创 《A Neural Layered Model for Nested Named Entity Recognition》
问题：大多数命名实体识别(NER)系统只处理平面实体，而忽略了内部嵌 套实体，这无法捕获底层文本中的细粒度语义信息。 方法：为了解决这个问题，我们提出了一种新的神经模型，通过动态叠加平面NER层来识别嵌套的实体。模型将LSTM层的输出合并到当前平面NER层中，为检测到的实体构建新的表示，并随后将它们提供给下一个平面NER层。模型动态地堆加平面NER层，直到没有提取任何外部实体。flat NER...
2019-04-27 10:07:08
2254
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人