論文筆記整理：吳涵，天津大學碩士，研究方向：自然語言處理

---

Paper:https://www.aclweb.org/anthology/P19-1430/

Code:https://github.com/thunlp/Chinese_NRE

?

引入

中文NER問題在很大程度上取決于分詞的效果，所以在中文NER問題中，學者們通常先對文本進行分詞然后再預測序列中單詞的類別。這樣一來會導致一個問題，即在分詞中造成的錯誤會影響到NER的結果。

如果單純采用字向量的話會導致拆開了很多并不應該拆開的詞語，從而丟失了它們本身的內在信息（比如“人生”這個詞如果拆成字向量就成了“人”和“生”，這兩個字的單獨含義明顯與它們組合起來的詞的含義大相徑庭）。為了解決這個問題，該論文使用了一種新型的格子結構（latticestructure），它能夠將單詞本身的含義加入基于字向量的模型中，并引入義原作為外部知識。

?

文章摘要

????本文在ACL2018的一篇論文《ChineseNER Using Lattice LSTM》上加以改進，加入了義原作為外部知識，可以更好地理解語義信息。

由于同時考慮了詞格作為一個cell，自然網絡中路徑就變多，所以要對于基本的LSTM網絡的計算公式加以修改：

?

對詞格結尾的字符（如圖中的“市”）進行計算時，會有一點不同：由于向“市”的cell有兩個信息流的輸入，故需要再加一個inputgate，兩個門同時通過不同的信息流，需要設置權重：

本文模型：引入義原作為外部知識

?

加入義原后，計算時，在詞格cell狀態的計算上考慮不同義項帶來的影響，并為不同的義項設置不同的權重：

?

?

實驗結果：

?

? 通過與基于詞粒度和字符粒度模型進行比較，可以得出，加入義原的多粒度模型可以獲得更好的效果，同時，詞格模型也是性能提升的重要原因。

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 融合多粒度信息和外部语言知识的中文关系抽取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。