《表2 各模型在MSRA数据集上的F1值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于语言模型的中文命名实体识别研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位：%

为了验证本文所构建的模型性能，将其与现有的模型[7，8，12，14]进行了实验对比，结果如表2所示。文献[7]在基于词的序列标注任务上，通过添加手工标注来辅助学习句子的特征；文献[8]以字符为基础，利用条件随机场和最大熵模型来共同识别中文文本中的实体；文献[12]将中文NER构造为一个联合任务，同时执行边界识别和实体分类两个子任务；文献[14]采用对抗迁移学习的方法，将任务共享的词边界信息整合到中文NER任务中以缓解数据量不足的问题，并使用自注意力机制来捕获句子的全局依赖关系。虽然这几种模型都在一定程度上提高了实体识别的F1值，但是对文本序列中所蕴含的语义信息学习得还不够充分，导致模型有一定的局限性。本文构建的DAETransEncBase模型融合了Transformer Encoder和DAE的优点，可以帮助模型更充分地捕获上下文信息，提高实体识别的性能。加入预训练的BERT词向量后，不同语境中的语义信息得到更充分地表示，模型的泛化能力也进一步得到提升。与现有方法相比，虽然本文模型还没有达到最优，但足以证明本文所提方法的有效性。