典型文献
基于Mogrifier LSTM的序列标注关系抽取方法
文献摘要：
对文本中的上下文信息进行充分利用能够提高关系抽取性能,但当前多数基于深度学习的关系抽取方法仅捕获文本序列中的浅层特征信息,在长序列文本中易丢失上下文信息.针对传统LSTM中输入和隐藏状态之间相互独立且缺少信息交互的问题,建立一种基于Mogrifier LSTM的序列标注关系抽取模型.将由词嵌入、字符嵌入和位置嵌入构成的嵌入层结果输入Mogrifier LSTM层,该层通过在传统LSTM计算之前交替地让当前输入与之前隐藏状态进行多轮运算,以增强上下文交互能力.使用自注意力机制提高模型对重要特征的关注度,同时采用基于关系的注意力机制获取特定关系下的句子表示,从而解决实体关系重叠问题.在关系分类模块,利用Bi-LSTM进行序列标注,将句子中的每个词汇映射为相应的标签.实验结果表明,在NYT数据集上该模型的F1值达到0.841,优于HRL、OrderRL等模型,在存在SEO重叠类型的关系抽取中,F1值仍能达到0.745,所提模型能够在一定程度上解决关系重叠问题同时有效提升关系抽取性能.
文献关键词：
关系抽取;Mogrifier LSTM模型;上下文交互;注意力机制;关系重叠
中图分类号：
作者姓名：
方义秋;刘飞;葛君伟
作者机构：
重庆邮电大学 计算机科学与技术学院,重庆 400065;重庆邮电大学 软件工程学院,重庆 400065
文献出处：
引用格式：
[1]方义秋;刘飞;葛君伟-.基于Mogrifier LSTM的序列标注关系抽取方法)[J].计算机工程,2022(10):81-87,94
A类：
OrderRL
B类：
Mogrifier,序列标注,关系抽取,上下文信息,特征信息,中易,相互独立,信息交互,取模,词嵌入,字符,位置嵌入,嵌入层,多轮,上下文交互,交互能,自注意力机制,句子,实体关系,关系重叠,关系分类,Bi,汇映,NYT,HRL,SEO
AB值：
0.325221
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。
