典型文献
基于层次结构感知的细粒度实体分类方法
文献摘要：
针对现有细粒度实体分类(FGET)任务的工作多着眼于如何更好地编码实体和上下文的语义信息,而忽略了标签层次结构中标签之间的依赖关系及其本身的语义信息的问题,提出了一种基于层次结构感知的细粒度实体分类(HAFGET)方法.首先,利用基于图卷积网络(GCN)的层次结构编码器对不同层级标签之间的依赖关系进行建模,提出了基于层次结构感知的细粒度实体分类多标签注意力(HAFGET-MLA)模型和基于层次结构感知的细粒度实体分类实体特征传播(HAFGET-MFP)模型;然后,利用HAFGET-MLA模型和HAFGET-MFP模型对实体上下文特征进行层次结构感知和分类,前者通过层次编码器学习层次结构感知标签嵌入,并与实体特征通过注意力融合后进行标签分类,后者则直接将实体特征输入到层次结构编码器更新特征表示后进行分类.在FIGER、OntoNotes和KNET三个公开数据集上的实验结果表明,与基线模型相比,HAFGET-MLA模型和HAFGET-MFP模型的准确率和宏平均F1值均提升了2％以上,验证了所提方法能够有效提升分类效果.
文献关键词：
细粒度实体分类;图卷积网络;注意力机制;条件概率;层次结构编码器
中图分类号：
作者姓名：
谢斌红;李书宁;张英俊
作者机构：
太原科技大学计算机科学与技术学院,太原 030024
文献出处：
引用格式：
[1]谢斌红;李书宁;张英俊-.基于层次结构感知的细粒度实体分类方法)[J].计算机应用,2022(10):3003-3010
A类：
FGET,HAFGET,层次结构编码器,FIGER,KNET
B类：
结构感知,细粒度实体分类,分类方法,多着,语义信息,中标,依赖关系,图卷积网络,GCN,多标签,标签注意力,MLA,实体特征,特征传播,MFP,上下文特征,标签嵌入,注意力融合,标签分类,更新特征,特征表示,OntoNotes,公开数据集,基线模型,分类效果,注意力机制,条件概率
AB值：
0.202882
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。
