基于膨胀卷积的中文命名实体识别

摘要

基于循环神经网络模型在命名实体识别任务中限制了GPU并行计算效率,提出融合全局词频统计的膨胀卷积模型.对训练语料文本向量化后,使用文本向量训练膨胀卷积神经网络各节点权重,通过条件随机场有效避免预测结果产生不符合规则标签.在MSRA数据集上,F1值达到了92.12％,在简历数据集上,F1值达到了93.48％.模型的训练速度相比Bi-LSTM-CRF模型提高了3倍.条件随机场虽然能够学习到标签之间的潜在关系,但极大地降低了模型的运行速度.同时在序列建模中,卷积神经网络无法考虑词的有序关系.实验结果表明,本文的模型可在保持高精度的同时,具有更快的处理速度.