该博客介绍了将字典信息融入深度神经网络的模型，特别是针对中文临床命名实体识别的问题。作者通过扩展BiLSTM创建了两个模型，利用N-gram、PIEF和PDET等特征提高识别准确性。实验结果显示，这种融合方法能有效识别低频或未出现过的实体。
Incorporating dictionaries into deep neural networks for the Chinese clinical named entity recognition
总述
作者提出了融入字典信息的深度学习模型，用于解决中文医学命名实体识别问题。
融合了字典的深度模型主要的优点是，
可以克服传统深度模型难以识别出现频率少，或者从未出现的实体。
具体得，作者基于BiLSTM拓展出两个深度模型框架，并且设计了五种特征
(题外话，其实作者可以说是三种特征)
设计的五种特征
- N-gram特征
具体的过程，首先提取出2-5gram字符串, 共有8个字符串(左右两边)，
如上图一，所示xi的2-5gram字符串，
之后用独热编码表示各个字符串，如图二所示，
最低0.47元/天 解锁文章
扫一扫
8593
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
