基于循環(huán)神經(jīng)網(wǎng)絡(luò)的中文人名識(shí)別的研究.pdf

1、中文人名識(shí)別任務(wù)是中文信息處理領(lǐng)域中的基礎(chǔ)任務(wù)，其性能的好壞將直接影響到其他任務(wù)的性能。中文人名的隨意性使其在未登錄詞中占有較大的比重，解決未登錄詞識(shí)別問題首先要解決人名識(shí)別問題。因此，解決中文人名識(shí)別問題具有重要的意義。
　　現(xiàn)有基于統(tǒng)計(jì)的中文人名識(shí)別方法存在特征選取復(fù)雜和人工干預(yù)等問題，針對這些問題，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks)的中文人名識(shí)別方法，該方法僅采用詞向量作為模

2、型的特征且無需人工干預(yù)，有效降低了特征選取的復(fù)雜性和人工干預(yù)對實(shí)驗(yàn)造成的影響。此外，詞向量可以通過大量未標(biāo)注的中文數(shù)據(jù)訓(xùn)練獲得，然后將蘊(yùn)含豐富語義信息的詞向量作為循環(huán)神經(jīng)網(wǎng)絡(luò)模型的輸入，可以使模型學(xué)習(xí)到更多的信息，提升模型的性能。
　　本文將模型分為兩個(gè)階段:模型構(gòu)建階段和后處理階段。
　　在模型構(gòu)建階段，我們將重點(diǎn)放在詞向量的優(yōu)化策略上。針對詞向量的優(yōu)化問題，本文提出了三種策略:
　　(1)將word2vec訓(xùn)練得到

3、的詞向量替換循環(huán)神經(jīng)網(wǎng)絡(luò)模型的隨機(jī)初始詞向量
　　(2)對詞向量訓(xùn)練語料進(jìn)行數(shù)詞泛化操作
　　(3)改進(jìn)word2vec模型，將特征信息融入詞向量實(shí)驗(yàn)結(jié)果表明，通過詞向量的優(yōu)化操作，中文人名識(shí)別模型的F值提高了2.23％。
　　在后處理階段，通過上下文規(guī)則對候選人名進(jìn)行過濾;采用基于篇章的全局?jǐn)U散操作召回在某一位置由于信息不足識(shí)別不出而在其他位置能夠被識(shí)別的人名;使用基于篇章的局部擴(kuò)散操作識(shí)別篇章信息中有名無姓或者有姓