基于细粒度实体分类的对比研究

作者：周祺; 陶皖^*

来源：重庆工商大学学报(自然科学版), 2022, 39(04): 9-18.

DOI：10.16055/j.issn.1672-058X.2022.0004.002

• 细粒度实体分类
• 神经网络
• 远程监督
• 噪声处理

细粒度实体分类是一项多类别多标签任务，能协助广泛的下游任务(关系抽取、共指消解、问答系统等)提高工作效率、优化准确率，已成为自然语言处理领域的一个研究热点。针对传统的细粒度实体分类方法人工标注大型语料库难度大，准确率偏低等问题，研究人员提出了基于神经网络的细粒度实体分类方法，不仅能够解决人工标注费时费力的问题，而且可以提高分类的准确率。然而现有的神经网络模型大多需要远程监督的参与，在此过程中会引入噪声标签等问题，通过噪声标签处理方法能够有效抑制噪声标签对分类结果的影响，进一步提升分类性能。在相同评测数据集下，根据相同评价指标对比各类细粒度实体分类方法的性能，可以发现在细粒度实体分类领域中采用BiLSTM处理实体指称上下文，并通过注意力机制提取更为重要的特征，有助于提高细粒度实体分类方法的准确率、Macro F1值和Micro F1值。

• 单位
  安徽工程大学