weixin_44434027的博客

事件识别是基于事件的自然语言处理系统中最基本和最关键的任务。基于规则和浅层神经网络的现有事件识别方法具有一定的局限性。例如，使用基于规则的方法提取特征是困难的;基于浅层神经网络的方法过快地收敛到局部最小值，导致识别精度低。为解决这些问题，我们提出了基于深度学习的汉语紧急事件识别模型（CEERM）。首先，我们使用分词系统来分割句子。根据CEC 2.0语料库中标注的事件元素，我们将单词分为五类：触发词、参与者、对象、时间和位置。根据以下六个特征层对每个字进行矢量化：词性、依赖性语法、长度、位置、触发词和核心词之间的距离以及触发词频率。我们通过使用深度置信网络（DBN）训练特征向量集来获得单词的深层语义特征，然后分析这些特征以便通过反向传播神经网络识别触发词。大量测试表明，CEERM获得了出色的识别性能，最大F测量值为85.17％。此外，我们提出了动态监督的DBN，它通过监控其训练性能，将受监督的微调添加到受限制的Boltzmann机器层。测试分析表明，新的DBN提高了识别性能并有效地控制了训练时间。虽然F-测量值增加到88.11％，但训练时间仅增加了25.35％。