典型文献
基于细粒度实体分类的对比研究
文献摘要：
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 Fl值和Micro Fl值.
文献关键词：
细粒度实体分类;神经网络;远程监督;噪声处理
中图分类号：
作者姓名：
周祺;陶皖
作者机构：
安徽工程大学计算机与信息学院,安徽芜湖241000
文献出处：
引用格式：
[1]周祺;陶皖-.基于细粒度实体分类的对比研究)[J].重庆工商大学学报（自然科学版）,2022(04):9-18
A类：
B类：
细粒度实体分类,多类别,多标签,关系抽取,共指消解,问答系统,提高工作效率,自然语言处理,分类方法,法人,语料库,费时费力,远程监督,噪声标签,通过噪声,抑制噪声,分类性能,评测数据集,指标对比,BiLSTM,指称,上下文,注意力机制,更为重要,Macro,Fl,Micro,噪声处理
AB值：
0.271394
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
