典型文献
基于指针网络的突发事件抽取对抗学习方法
文献摘要：
事件抽取是抽取冗余非结构化文本中重要事件要素的关键技术,可用于重要信息的结构化存储与获取.常用的事件抽取方法如CRF存在事件要素抽取断裂,模型泛化能力弱的问题.为解决上述问题,本文提出基于预训练模型BERT的双向长短时记忆和SPAN指针网络混合模型(BERT-BiLSTM-SPAN),用于非结构化事件文本中的要素抽取.预训练模型BERT用于获取突发事件CEC数据集的语义嵌入特征向量,语义嵌入特征向量作为BiLSTM-SPAN网络的输入完成事件要素的提取并利用指针结构减少要素断裂.为增强模型的泛化能力,在BERT-BiLSTM-SAPN训练过程中加入对抗训练及使用标签平滑损失函数.实验结果表明,本文所提出的BERT-BiLSTM-SPAN算法在精准率、召回率、Fl三个指标上较BERT-BiLSTM-CRF模型分别平均提高5.02％、14.63％、9.80％.
文献关键词：
事件抽取;BERT-BiLSTM-SPAN;对抗训练;标签平滑
中图分类号：
作者姓名：
韩志卓;李慧波;和凯;肖若冰;宋凯磊;陈晓东
作者机构：
中国电子科技集团公司第五十四研究所,河北石家庄 050081;河北远东通信系统工程有限公司,河北石家庄 050200;中国电子科学研究院,北京 100041;新疆公安厅,新疆乌鲁木齐 830000
文献出处：
引用格式：
[1]韩志卓;李慧波;和凯;肖若冰;宋凯磊;陈晓东-.基于指针网络的突发事件抽取对抗学习方法)[J].中国电子科学研究院学报,2022(03):282-289
A类：
事件要素抽取,SAPN
B类：
指针网络,事件抽取,对抗学习,非结构化,结构化文本,重要事件,重要信息,结构化存储,CRF,模型泛化,泛化能力,预训练模型,BERT,双向长短时记忆,SPAN,混合模型,BiLSTM,CEC,语义嵌入,嵌入特征,特征向量,成事,增强模型,训练过程,对抗训练,标签平滑损失,损失函数,召回率,Fl
AB值：
0.302559
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。
