FusionofLongDistanceDependencyFeaturesfor.pptVIP

Fusion of Long Distance Dependency Features for Chinese Named Entity Recognition Based on Markov Logic Networks Zejian Wu, Zhengtao Yu 昆明理工大学智能信息处理重点实验室 研究意义及背景 现有的中文命名实体识别方法往往没有考虑实体间的长距离依赖 MLNs （基于无向图模型）为解决各种依赖问题提供了一个简洁、高效的解决方案。 相对于概率图模型，MLNs使用起来更加方便，简单。 研究意义及背景 HMM假设特征之间是相互独立的 linear-chain CRF只能处理前后的依赖 skip-chain CRF能够处理远距离的依赖关系，但是对于一些复杂的长距离依赖关系，还是能难进行实际运用。 Markov逻辑网 基于一阶逻辑和无向图模型 给定逻辑规则和一组常量，可以利用Markov逻辑网形成一个无向图模型 因为形成的无向图模型有自己的特点，学习与推理跟一般的无向图模型相较简单。 基于Markov逻辑网的中文命名实体识别 候选实体独立特征 候选实体包含的词以及对应的词性 局部上下文特征 候选实体短距离（前后）依赖特征 候选实体前后词性 候选实体长距离依赖特征 同型重现 缩写重现 基于Markov逻辑网的中文命名实体识别 候选实体独立特征 候选实体短距离（前后）依赖特征 候选实体长距离依赖特征 实验 语料 开放领域：人民日报98年1月份语料 受限领域：人工收集的云南旅游领域语料，因为旅游领域地点、经典重复次数更多。 实验结果 实验分析 仅考虑独立特征和前后依赖特征，MLNs的效果就要比CRF优秀些。 加入了长距离依赖特征以后，实验效果有显著提高，因为旅游领域的实体重复次数较多，旅游领域实验结果更为明显。 不足之处 理论方面 只是利用了现有的MLNs方法，没有针对业务对现有的方法做相应改进。 中文命名实体识别方面 只利用了两种比较明显的长距离依赖特征，没有利用更多的长距离依赖特征 参考文献 ZHAO Jun. A Survey on Named Entity Recognition, Disambiguation and Cross-Lingual Co-reference Resolution. Journal of Chinese Information Processing, 2009, 23(2). Jingchen Liu, Minlie Huang, Xiaoyan Zhu. Recognizing biomedical named entities using skip-chain conditional random fields. Proceeding BioNLP 10 Proceedings of the 2010 Workshop on Biomedical Natural Language Processing Pages 10-18 Poon and Domingos. 2006. Sound and Efficient Inference with Probabilistic and Deterministic Dependencies. Proceedings of the Twenty-First National Conference on Artificial Intelligence (pp. 458-463), Boston, MA: AAAI Press. * 昆明理工大学智能信息处理重点实验 * 昆明理工大学智能信息处理重点实验 昆明理工大学智能信息处理重点实验 昆明理工大学智能信息处理重点实验 * 昆明理工大学智能信息处理重点实验 * 昆明理工大学智能信息处理重点实验