典型文献
基于BERT和联合学习的裁判文书命名实体识别
文献摘要：
正确识别裁判文书中的实体是构建法律知识图谱和实现智慧法院的重要基础.然而常用的命名实体识别(NER)模型并不能很好地解决裁判文书中的多义词表示和实体边界识别错误的问题.为了有效提升裁判文书中各类实体的识别效果,提出了一种基于联合学习和BERT的BiLSTM-CRF(JLB-BiLSTM-CRF)模型.首先,利用BERT对输入字符序列进行编码以增强词向量的表征能力;然后,使用双向长短期记忆(BiLSTM)网络建模长文本信息,并将NER任务和中文分词(CWS)任务进行联合训练以提升实体的边界识别率.实验结果表明,所提模型在测试集上的精确率达到了94.36％,召回率达到了94.94％,F1值达到了94.65％,相较于BERT-BiLSTM-CRF模型分别提升了1.05个百分点、0.48个百分点和0.77个百分点,验证了JLB-BiLSTM-CRF模型在裁判文书NER任务上的有效性.
文献关键词：
裁判文书;双向长短期记忆网络;BERT;联合学习;命名实体识别
中图分类号：
作者姓名：
曾兰兰;王以松;陈攀峰
作者机构：
贵州大学 计算机科学与技术学院,贵阳 550025
文献出处：
引用格式：
[1]曾兰兰;王以松;陈攀峰-.基于BERT和联合学习的裁判文书命名实体识别)[J].计算机应用,2022(10):3011-3017
A类：
JLB
B类：
BERT,联合学习,裁判文书,命名实体识别,别裁,建法,法律知识,智慧法院,NER,多义词,词表,边界识别,BiLSTM,CRF,字符,词向量,表征能力,网络建模,模长,长文,文本信息,中文分词,CWS,联合训练,识别率,测试集,精确率,召回率,百分点,双向长短期记忆网络
AB值：
0.286677
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。
