一种基于多特征融合嵌入的中文命名实体识别模型研究

计算机工程与科学 ›› 2024, Vol. 46 ›› Issue (08): 1473-1481.

一种基于多特征融合嵌入的中文命名实体识别模型研究

刘晓华1，徐茹枝1，杨成月2

（1.华北电力大学控制与计算机工程学院，北京 102206；2.国家电网有限公司大数据中心，北京 100052）

收稿日期:2023-03-31 修回日期:2023-06-14 接受日期:2024-08-25 出版日期:2024-08-25 发布日期:2024-09-02
基金资助:
国家自然科学基金（61972148）

A Chinese named entity recognition model based on multi-feature fusion embedding#br#

LIU Xiao-hua1，XU Ru-zhi1，YANG Cheng-yue2#br#

(1.School of Control and Computer Engineering,North China Electric Power University,Beijing 102206;
2.Big Data Center of State Grid Corporation of China,Beijing 100052,China)

Received:2023-03-31 Revised:2023-06-14 Accepted:2024-08-25 Online:2024-08-25 Published:2024-09-02

摘要/Abstract

摘要： 为解决中文字形上存在差异以及中文词语边界模糊的问题，提出了一种多特征融合嵌入的中文命名实体识别模型。在提取语义特征的基础上，基于卷积神经网络和多头自注意力机制捕获字形特征，并参考词语向量嵌入表获取词语特征，同时利用双向长短期记忆神经网络学习长距离的上下文表示，最后结合条件随机场学习句子序列标签中的约束条件，实现中文命名实体识别。在Resume、Weibo和People Daily数据集上的F1值分别达到了96.66%，70.84%和96.15%，证明提出的模型有效地提高了中文命名实体识别任务的性能。

关键词: 命名实体识别, 特征融合, 多头自注意力机制

Abstract:

In order to solve the problems of differences in Chinese glyphs and blurred boundaries of Chinese words, a Chinese named entity recognition model based on multi-feature fusion embedding is proposed. On the basis of extracting semantic features, glyph features are captured based on convolutional neural network and multi-headed self-attention mechanism, word features are obtained with reference to the word vector embedding table, and the bidirectional long short-term memory neural network is used to learn the context representation of long distance. Finally the constraint conditions in sentence sequence labels are learned by combining the conditional random field to realize Chinese named entity recognition. The F1 values on the Resume, Weibo and People Daily datasets reach 96.66%, 70.84% and 96.15%, respectively, which proves that the proposed model effectively improves the performance of Chinese named entity recognition tasks.

Key words: named entity recognition, feature fusion, multi-headed self-attention mechanism

刘晓华, 徐茹枝, 杨成月. 一种基于多特征融合嵌入的中文命名实体识别模型研究[J]. 计算机工程与科学, 2024, 46(08): 1473-1481.

LIU Xiao-hua, XU Ru-zhi, YANG Cheng-yue. A Chinese named entity recognition model based on multi-feature fusion embedding#br#[J]. Computer Engineering & Science, 2024, 46(08): 1473-1481.

[1]	李新洁, 王文君, 董凌, 赖华, 余正涛, 高盛祥, . 基于多特征交互融合的老挝语无监督音素分割方法[J]. 计算机工程与科学, 2024, 46(05): 937-944.
[2]	王谢中, 陈旭, 景永俊, 王叔洋. 基于异构图神经网络的半监督网站主题分类[J]. 计算机工程与科学, 2024, 46(04): 635-646.
[3]	余天赐, 高尚. 融合多结构信息的代码注释生成模型[J]. 计算机工程与科学, 2024, 46(04): 667-675.
[4]	杨晓强, 黄加诚. 基于动态定位和特征融合的多分支细粒度识别方法[J]. 计算机工程与科学, 2024, 46(02): 253-263.
[5]	江志鹏, 王自全, 张永生, 于英, 程彬彬, 赵龙海, 张梦唯. 基于改进Deformable DETR的无人机视频流车辆目标检测算法[J]. 计算机工程与科学, 2024, 46(01): 91-101.
[6]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[7]	董子平, 陈世国, 廖国清. 基于YOLOv5s的密集多人脸检测算法[J]. 计算机工程与科学, 2023, 45(10): 1838-1846.
[8]	曾凡锋, 王春真, 李琛. 基于深浅层特征融合的无监督视频摘要算法研究[J]. 计算机工程与科学, 2023, 45(09): 1602-1610.
[9]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[10]	濮子俊, 张寿明. 基于特征融合与Transformer模型的声音事件定位与检测算法研究[J]. 计算机工程与科学, 2023, 45(06): 1097-1105.
[11]	邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(05): 869-877.
[12]	孙琪, 翟锐, 左方, 张玉涛, . 基于部分卷积和多尺度特征融合的人脸图像修复模型[J]. 计算机工程与科学, 2023, 45(02): 304-312.
[13]	杨昊, 赵刚, 王兴芬. 基于混合模型的事件触发词抽取[J]. 计算机工程与科学, 2023, 45(01): 171-180.
[14]	张海燕, 付应娜, 丁桂江, 孟庆岩. 基于无锚框目标检测算法的多样性感受野注意力特征补偿[J]. 计算机工程与科学, 2022, 44(11): 1995-2002.
[15]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.