事件要素识别是事件抽取任务的重点和难点,其研究具有广阔的应用前景和巨大的现实意义。针对当前事件要素识别任务中存在的类别不平衡、无法学习标注序列的约束条件等问题,该文提出了一种基于CSOT-BiLSTM-CRF的中文事件要素识别模型。...事件要素识别是事件抽取任务的重点和难点,其研究具有广阔的应用前景和巨大的现实意义。针对当前事件要素识别任务中存在的类别不平衡、无法学习标注序列的约束条件等问题,该文提出了一种基于CSOT-BiLSTM-CRF的中文事件要素识别模型。模型将双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)与条件随机场(Conditional Random Field,CRF)结合,首先,在预处理阶段,提出一种CSOT(Combine Synonyms Over-sampling Technique)算法以解决类别不平衡问题;然后,利用BiLSTM神经网络从前向和后向提取文本的上下文特征;最后,通过CRF自动学习标注序列中隐藏的约束条件,并解码获取最终标注序列。实验结果表明:相较于现有的事件要素识别模型,CSOT-BiLSTM-CRF模型能有效提高要素识别的准确率。展开更多
文摘事件要素识别是事件抽取任务的重点和难点,其研究具有广阔的应用前景和巨大的现实意义。针对当前事件要素识别任务中存在的类别不平衡、无法学习标注序列的约束条件等问题,该文提出了一种基于CSOT-BiLSTM-CRF的中文事件要素识别模型。模型将双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)与条件随机场(Conditional Random Field,CRF)结合,首先,在预处理阶段,提出一种CSOT(Combine Synonyms Over-sampling Technique)算法以解决类别不平衡问题;然后,利用BiLSTM神经网络从前向和后向提取文本的上下文特征;最后,通过CRF自动学习标注序列中隐藏的约束条件,并解码获取最终标注序列。实验结果表明:相较于现有的事件要素识别模型,CSOT-BiLSTM-CRF模型能有效提高要素识别的准确率。
