典型文献
基于深度迁移学习的地方志多模态命名实体识别研究
文献摘要：
地方志作为中华文化的组成部分,是建设文化强国的重要一环,对其进行挖掘研究具有重要意义;同时,有效识别实体对地方志知识组织和知识图谱构建有着重要影响.当前地方志命名实体识别研究主要基于文本,缺乏文本对应的图片,而图片中的内容能够为识别文本中的实体提供额外的信息,从而提升模型识别实体的性能,并且实体识别还面临着已标注语料匮乏的问题.基于此,本文提出了利用深度迁移学习方法,结合地方志中的文本和图片进行多模态命名实体识别.首先,基于人民日报语料库和中文推特多模态数据集,分别预训练结合了自注意力机制的BiL-STM-attention-CRF模型和自适应联合注意力模型,利用基于神经网络的深度迁移学习方法将权重迁移至地方志多模态命名识别模型中,使模型获得提取文本和图片语义特征的能力;然后,结合过滤门对多模态融合特征去噪;最后,将融合后的多模态特征输入CRF(conditional random fields)层进行解码.本文将提出的模型在地方志多模态数据中进行了实证研究,并同相关基线模型作对比,实验结果表明,本文所提出的模型具有一定优势.
文献关键词：
深度迁移学习;多模态命名实体识别;地方志
中图分类号：
作者姓名：
范涛;王昊;陈玥彤
作者机构：
南京大学信息管理学院,南京 210023
文献出处：
引用格式：
[1]范涛;王昊;陈玥彤-.基于深度迁移学习的地方志多模态命名实体识别研究)[J].情报学报,2022(04):412-423
A类：
多模态命名实体识别
B类：
深度迁移学习,地方志,建设文化,文化强国,知识组织,知识图谱构建,模型识别,迁移学习方法,人民日报,语料库,推特,特多,多模态数据集,预训练,自注意力机制,BiL,STM,attention,CRF,联合注意力,注意力模型,重迁,移至,识别模型,片语,语义特征,多模态融合,融合特征,去噪,多模态特征,conditional,random,fields,层进,解码,并同,同相,基线模型
AB值：
0.269231
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。
