基于遞歸神經(jīng)網(wǎng)絡的生物醫(yī)學命名實體識別.pdf_第1頁
已閱讀1頁,還剩57頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、生物醫(yī)學領域中的諸多信息抽取任務,如關(guān)系抽取、文本分類、指代消解以及事件抽取等,往往需要預先識別出文本中表示指定類型的實體名稱。目前的命名實體識別方法需要豐富的領域?qū)<抑R,抽取大量人工特征。為了降低這些人工設計耗費的代價,本文基于預訓練的詞向量和遞歸神經(jīng)網(wǎng)絡,提出簡單有效的生物命名實體識別方法;并對神經(jīng)網(wǎng)絡進行一系列擴展和改進,提高對實體的識別性能以及在不同語料集上的適應性。
  首先,在傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(RNN)的基礎上,對隱

2、層和輸出層同時采用遞歸計算,使隱藏層記錄前文的歷史信息;而輸出層可以建立起標記之間潛在的依賴關(guān)系。同時,為了彌補在對句子劃分子序列時導致的上下文信息缺失,利用布朗聚類算法和狄利克雷(LDA)算法構(gòu)建特征層模式化范圍更廣的上下文語義信息。最后,組合兩個方向相反的單向RNN進行生物醫(yī)學文本中的命名實體識別,在BiocreativeⅡ GM語料上的F-值達到了83.62%。
  其次,為了進一步提高命名實體識別的效果,克服RNN在處理過

3、長句子時存在的梯度彌散問題,采用長短時記憶(LSTM)網(wǎng)絡結(jié)構(gòu);并在此基礎上,構(gòu)建了雙向LSTM(BLSTM)遞歸神經(jīng)網(wǎng)絡。另外微調(diào)詞向量的過程會導致預訓詞向量信息的丟失,本文提出采用兩套不同的詞向量擴展LSTM結(jié)構(gòu)單元;并根據(jù)兩套詞向量差值計算出句子語義向量表示,從而構(gòu)建出融入句子向量和雙向詞向量的BLSTM(ST-BLSTM)遞歸神經(jīng)網(wǎng)絡。在BiocreativeⅡ GM語料上,本文的方法達到了88.61%的F-值,比采用詞典與分類

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論