第11卷第1期 智能系统学报 Vol.11 No.1 2016年2月 CAAI Transactions on Intelligent Systems Feh.2016 D0I:10.11992/is.201507065 网络出版地址：htp:/www.cmki.net/kcms/detail/23.1538.TP.20160106.1555.002.html 词边界字向量的中文命名实体识别 姚霖12,3，刘轶1，李鑫鑫4，刘宏2 (1.深港产学研基地，广东深圳518057：2.北京大学信息科学技术学院，北京100871：3.哈尔滨工业大学软件学 院，黑龙江哈尔滨150001：4.哈尔滨工业大学深圳研究生院计算机科学与技术学院，广东深圳518055) 摘要：常见的基于机器学习的中文命名实体识别系统往往使用大量人工提取的特征，但特征提取费时费力，是一 件十分繁琐的工作。为了减少中文命名实体识别对特征提取的依赖，构建了基于词边界字向量的中文命名实体识 别系统。该方法利用神经元网络从大量未标注数据中，自动抽取出蕴含其中的特征信息，生成字特征向量。同时考 虑到汉字不是中文语义的最基本单位，单纯的字向量会由于一字多义造成语义的混淆，因此根据同一个字在词中处 于不同位置大多含义不同的特点，将单个字在词语中所处的位置信息加人到字特征向量中，形成词边界字向量，将 其用于深度神经网络模型训练之中。在Sighan Bakeoff.3(2006)语料中取得了F,89.18%的效果，接近当前国际先进 水平，说明了该系统不仅摆脱了对特征提取的依赖，也减少了汉字一字多义产生的语义混淆。 关键词：机器学习：中文命名体识别：深度神经网络：特征向量：特征提取 中图分类号：TP391.1文献标志码：A文章编号：1673-4785(2016)01-0037-06 中文引用格式：姚霖，刘铁，李鑫盘，等.词边界字向量的中文命名实体识别[J].智能系统学报，2016,11(1)：37-42. 英文引用格式：YAO Lin,.LIU Yi,LI Xinxin,etal.Chinese named entity recognition via word boundary based character embed- ding[J].CAAI Transactions on Intelligent Systems,2016,11(1):37-42. Chinese named entity recognition via word boundary based character embedding YAO Lin'.2.3,LIU Yi',LI Xinxin',LIU Hong? (1.Shenzhen High-Tech Industrial Park,Shenzhen 518057,China;2.School of Electronics Engineering and Computer Science,Pe- king University,Beijing 100871,China;3.School of Software,Harbin Institute of Technology,Harbin 150001,China;4.School of Computer Science and Technology,Harbin Institute of Technology Shenzhen Graduate School,Shenzhen 518055,China) Abstract:Most Chinese named entity recognition systems based on machine learning are realized by applying a large amount of manual extracted features.Feature extraction is time-consuming and laborious.In order to remove the dependence on feature extraction,this paper presents a Chinese named entity recognition system via word boundary based character embedding.The method can automatically extract the feature information from a large number of unlabeled data and generate the word feature vector,which will be used in the training of neural network. Since the Chinese characters are not the most basic unit of the Chinese semantics,the simple word vector will be cause the semantics ambiguity problem.According to the same character on different position of the word might have different meanings,this paper proposes a character vector method with word boundary information,constructs a depth neural network system for the Chinese named entity recognition and achieves F 89.18%on Sighan Bakeoff-3 2006 MSRA corpus.The result is closed to the state-of-the-art performance and shows that the system can avoid rel- ying on feature extraction and reduce the character ambiguity. Keywords:machine learning;Chinese named entity recognition;deep neutral networks;feature vector;feature ex- traction 命名实体识别(named entity recognition,NER) 预定义的标记，如人名、地名、组织机构名等。由于 是计算机理解自然语言信息的基础，其主要任务是 其在自然语言处理领域中的重要作用，许多国际会 从文本中识别出原子元素，并根据其所属类别，标注 议，如MUC-6、MUC-7、Conll22002、Conll2003等，将命 名实体识别设为共享任务(share tasks)。英文命名 收稿日期：2015-08-13.网络出版日期：2016-01-06. 实体识别具有相对较长的发展历史。许多机器学习 基金项目：原创项目研发与非遗产业化资助项目(YC2015057). 方法，如最大嫡14]、隐马尔可夫模型2，s)、支持向 通信作者：姚霖.E-mail:1250047487@qg.com
第 １１ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．１ ２０１６ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５０７０６５ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０１０６．１５５５．００２．ｈｔｍｌ 词边界字向量的中文命名实体识别 姚霖１，２，３ ，刘轶１ ，李鑫鑫４ ， 刘宏２ （１． 深港产学研基地，广东 深圳 ５１８０５７； ２．北京大学 信息科学技术学院，北京 １００８７１； ３．哈尔滨工业大学 软件学 院，黑龙江 哈尔滨 １５０００１； ４．哈尔滨工业大学深圳研究生院 计算机科学与技术学院，广东 深圳 ５１８０５５） 摘 要：常见的基于机器学习的中文命名实体识别系统往往使用大量人工提取的特征，但特征提取费时费力，是一 件十分繁琐的工作。 为了减少中文命名实体识别对特征提取的依赖，构建了基于词边界字向量的中文命名实体识 别系统。 该方法利用神经元网络从大量未标注数据中，自动抽取出蕴含其中的特征信息，生成字特征向量。 同时考 虑到汉字不是中文语义的最基本单位，单纯的字向量会由于一字多义造成语义的混淆，因此根据同一个字在词中处 于不同位置大多含义不同的特点，将单个字在词语中所处的位置信息加入到字特征向量中，形成词边界字向量，将 其用于深度神经网络模型训练之中。 在 Ｓｉｇｈａｎ Ｂａｋｅｏｆｆ⁃３（２００６）语料中取得了 Ｆ１ ８９．１８％的效果，接近当前国际先进 水平，说明了该系统不仅摆脱了对特征提取的依赖，也减少了汉字一字多义产生的语义混淆。 关键词：机器学习；中文命名体识别；深度神经网络；特征向量；特征提取 中图分类号：ＴＰ３９１．１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０１⁃００３７⁃０６ 中文引用格式：姚霖，刘轶，李鑫鑫，等．词边界字向量的中文命名实体识别［Ｊ］． 智能系统学报， ２０１６， １１（１）： ３７⁃４２． 英文引用格式：ＹＡＯ Ｌｉｎ， ＬＩＵ Ｙｉ， ＬＩ Ｘｉｎｘｉｎ， ｅｔ ａｌ． Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｖｉａ ｗｏｒｄ ｂｏｕｎｄａｒｙ ｂａｓｅｄ ｃｈａｒａｃｔｅｒ ｅｍｂｅｄ⁃ ｄｉｎｇ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１６， １１（１）： ３７⁃４２． Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｖｉａ ｗｏｒｄ ｂｏｕｎｄａｒｙ ｂａｓｅｄ ｃｈａｒａｃｔｅｒ ｅｍｂｅｄｄｉｎｇ ＹＡＯ Ｌｉｎ １，２，３ ， ＬＩＵ Ｙｉ １ ， ＬＩ Ｘｉｎｘｉｎ ４ ， ＬＩＵ Ｈｏｎｇ ２ （１． Ｓｈｅｎｚｈｅｎ Ｈｉｇｈ⁃Ｔｅｃｈ Ｉｎｄｕｓｔｒｉａｌ Ｐａｒｋ， Ｓｈｅｎｚｈｅｎ ５１８０５７， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， Ｐｅ⁃ ｋｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １００８７１， Ｃｈｉｎａ； ３． Ｓｃｈｏｏｌ ｏｆ Ｓｏｆｔｗａｒｅ， Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｒｂｉｎ １５０００１， Ｃｈｉｎａ； ４． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｓｈｅｎｚｈｅｎ Ｇｒａｄｕａｔｅ Ｓｃｈｏｏｌ， Ｓｈｅｎｚｈｅｎ ５１８０５５， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｍｏｓｔ Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｒｅ ｒｅａｌｉｚｅｄ ｂｙ ａｐｐｌｙｉｎｇ ａ ｌａｒｇｅ ａｍｏｕｎｔ ｏｆ ｍａｎｕａｌ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅｓ． Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｉｓ ｔｉｍｅ⁃ｃｏｎｓｕｍｉｎｇ ａｎｄ ｌａｂｏｒｉｏｕｓ． Ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｍｏｖｅ ｔｈｅ ｄｅｐｅｎｄｅｎｃｅ ｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ， ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｖｉａ ｗｏｒｄ ｂｏｕｎｄａｒｙ ｂａｓｅｄ ｃｈａｒａｃｔｅｒ ｅｍｂｅｄｄｉｎｇ． Ｔｈｅ ｍｅｔｈｏｄ ｃａｎ ａｕｔｏｍａｔｉｃａｌｌｙ ｅｘｔｒａｃｔ ｔｈｅ ｆｅａｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｕｎｌａｂｅｌｅｄ ｄａｔａ ａｎｄ ｇｅｎｅｒａｔｅ ｔｈｅ ｗｏｒｄ ｆｅａｔｕｒｅ ｖｅｃｔｏｒ， ｗｈｉｃｈ ｗｉｌｌ ｂｅ ｕｓｅｄ ｉｎ ｔｈｅ ｔｒａｉｎｉｎｇ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｓｉｎｃｅ ｔｈｅ Ｃｈｉｎｅｓｅ ｃｈａｒａｃｔｅｒｓ ａｒｅ ｎｏｔ ｔｈｅ ｍｏｓｔ ｂａｓｉｃ ｕｎｉｔ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ ｓｅｍａｎｔｉｃｓ， ｔｈｅ ｓｉｍｐｌｅ ｗｏｒｄ ｖｅｃｔｏｒ ｗｉｌｌ ｂｅ ｃａｕｓｅ ｔｈｅ ｓｅｍａｎｔｉｃｓ ａｍｂｉｇｕｉｔｙ ｐｒｏｂｌｅｍ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｓａｍｅ ｃｈａｒａｃｔｅｒ ｏｎ ｄｉｆｆｅｒｅｎｔ ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｗｏｒｄ ｍｉｇｈｔ ｈａｖｅ ｄｉｆｆｅｒｅｎｔ ｍｅａｎｉｎｇｓ， ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｃｈａｒａｃｔｅｒ ｖｅｃｔｏｒ ｍｅｔｈｏｄ ｗｉｔｈ ｗｏｒｄ ｂｏｕｎｄａｒｙ ｉｎｆｏｒｍａｔｉｏｎ， ｃｏｎｓｔｒｕｃｔｓ ａ ｄｅｐｔｈ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｙｓｔｅｍ ｆｏｒ ｔｈｅ Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ａｃｈｉｅｖｅｓ Ｆ１ ８９．１８％ ｏｎ Ｓｉｇｈａｎ Ｂａｋｅｏｆｆ⁃３ ２００６ ＭＳＲＡ ｃｏｒｐｕｓ． Ｔｈｅ ｒｅｓｕｌｔ ｉｓ ｃｌｏｓｅｄ ｔｏ ｔｈｅ ｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｓｙｓｔｅｍ ｃａｎ ａｖｏｉｄ ｒｅｌ⁃ ｙｉｎｇ ｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｒｅｄｕｃｅ ｔｈｅ ｃｈａｒａｃｔｅｒ ａｍｂｉｇｕｉｔｙ． Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ； Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ； ｄｅｅｐ ｎｅｕｔｒａｌ ｎｅｔｗｏｒｋｓ； ｆｅａｔｕｒｅ ｖｅｃｔｏｒ； ｆｅａｔｕｒｅ ｅｘ⁃ ｔｒａｃｔｉｏｎ 收稿日期：２０１５⁃０８⁃１３． 网络出版日期：２０１６⁃０１⁃０６． 基金项目：原创项目研发与非遗产业化资助项目（ＹＣ２０１５０５７）． 通信作者：姚霖． Ｅ⁃ｍａｉｌ： １２５００４７４８７＠ ｑｑ．ｃｏｍ． 命名实体识别（ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ，ＮＥＲ） 是计算机理解自然语言信息的基础，其主要任务是 从文本中识别出原子元素，并根据其所属类别，标注 预定义的标记，如人名、地名、组织机构名等。 由于 其在自然语言处理领域中的重要作用，许多国际会 议，如 ＭＵＣ⁃６、ＭＵＣ⁃７、Ｃｏｎｌｌ２００２、Ｃｏｎｌｌ２００３ 等，将命 名实体识别设为共享任务（ ｓｈａｒｅ ｔａｓｋｓ）。 英文命名 实体识别具有相对较长的发展历史。 许多机器学习 方法，如最大熵［１⁃４］ 、隐马尔可夫模型［２， ５⁃７］ 、支持向
·38 智能系统学报 第11卷 量机[8劉和条件随机场)]等都曾被应用于命名体识 t+1,系统接着处理句子中的下一个汉字“繁”，以 别任务，并取得了较好的精确度。英语中的人名、地 此类推。在句子解析层中，将针对整句生成一个由 名和组织机构名具有首字母大写等特点，因此英文 分值组成的网格。网格中第t列上的节点是t时刻 命名实体识别相对简单。然而中文的语言特点与英 待测汉字对应所有标记的分值。节点间连线上显示 文大不相同，字和词之间没有明确的界限，人名、地 转移概率，用来描述标记间的转换可能性。转移概 名和组织机构名也都没有首字大写的特点，而且对 率在全局统计的基础上产生。最后应用维特比 于外国人名和组织机构名，常常会有不同的翻译。 (Viterbi)算法，在分值网格中找到分值最高的路径， 上述特点使得中文命名实体识别任务更具有挑战 作为最终的标记序列。 性。前面提到的有监督机器学习方法，如隐马尔科 滑动窗口输入 长度为k 夫模型(HMM),最大熵(ME)[o,支持向量机 输入句 (SVM)和条件随机场(CRF)[山算法等，也都曾被应 香 港 的繁荣 用于解决中文命名体识别问题。这类监督学习方法 基于词边界特征 训练过程中需要人工定义复杂不同的特征模板以获 Begin-Feature C-B C,-B C-B C-B C-B 得较好的识别率。设计和比较模板的工作不仅要求 Middle-Feature C,-M C,-M C.-M C,-M C-M 开发人员具备坚实的语言学背景，还需要花费大量 End-Feature C-E C-E C-E C-E C;-E 的时间通过实验进行筛选，是一件费时费力的工作。 Single-Feature C-S C,-S C-S C-S C-S 为了减少中文命名实体识别任务对人工构建特 性模板的过度依赖，在Collobert[]工作的启发下， 查找层 我们搭建了一个基于词边界字向量的中文命名实体 -0 0000 识别系统。利用字在词语中所处位置不同，含义大 LT ( 不同的特点，提出了词边界字向量的概念。在一定 程度上减少了一字多义产生的语义混淆。该系统在 标准语料库SIGHAN Bakeoff-.3(2006)上取得了较好 线性层1 的识别效果。 w.()b 本文首先介绍了中文命名实体识别领域的发展 Hidden units 现状：接着详细描述了基于词边界字向量的中文命 Sigmoid层 名体识别系统的架构：其后对系统的结果和性能进 行了进一步的分析：最终进行了总结和展望。 线性层2 1系统架构 W()+6, #标签 Bengio首次将卷积神经网络架构(convolutional neural network,CNN)应用到概率语言模型中[uB),并 整句分析 成功应用于自然语言处理(natural language process- 标签 1:s-L00 ing,NLP)问题。在本系统中，我们使用CNN来 2:b-LOC 3:F10C 处理中文命名体识别问题，神经网络架构如图1 12:S-0FC 所示。 首先将待测汉字通过系统的查找层，和滑动窗 图1神经网络架构 口中其他相邻汉字一起，被转化为实数字向量，再将 Fig.1 The neural network architecture 该向量序列输入到下层神经网络中。如图1所示， 1.1字特征向量 在时刻，系统待测汉字为处于滑动窗口正中的汉字 生成特征向量序列的第一步要将全部汉字存储 “的”。通过查找层后，汉字“的”以及相邻的汉字 到查找层的字典D中，每个汉字由固定维度的实数 “香、港、繁、荣”（假设窗口大小为5）被转换为实数 向量表示。语句在通过查找层后，被转换为字向量 向量，传输到线性转换层。经过线性层和sigmoid层 序列，汉字x∈D的特征向量可以通过方程LTc(·) 的处理后，系统对字符“的”对应所有可能标记进行 获取，方程定义如下： 打分，标注概率越大的标记，分值越高。在下一时刻 LTc(x)=C
量机［８］ 和条件随机场［９］ 等都曾被应用于命名体识 别任务，并取得了较好的精确度。 英语中的人名、地 名和组织机构名具有首字母大写等特点，因此英文 命名实体识别相对简单。 然而中文的语言特点与英 文大不相同，字和词之间没有明确的界限，人名、地 名和组织机构名也都没有首字大写的特点，而且对 于外国人名和组织机构名，常常会有不同的翻译。 上述特点使得中文命名实体识别任务更具有挑战 性。 前面提到的有监督机器学习方法，如隐马尔科 夫模 型 （ ＨＭＭ）， 最 大 熵 （ ＭＥ） ［１０］ ， 支 持 向 量 机 （ＳＶＭ）和条件随机场（ＣＲＦ） ［１１］算法等，也都曾被应 用于解决中文命名体识别问题。 这类监督学习方法 训练过程中需要人工定义复杂不同的特征模板以获 得较好的识别率。 设计和比较模板的工作不仅要求 开发人员具备坚实的语言学背景，还需要花费大量 的时间通过实验进行筛选，是一件费时费力的工作。 为了减少中文命名实体识别任务对人工构建特 性模板的过度依赖，在 Ｃｏｌｌｏｂｅｒｔ ［１２］ 工作的启发下， 我们搭建了一个基于词边界字向量的中文命名实体 识别系统。 利用字在词语中所处位置不同，含义大 不同的特点，提出了词边界字向量的概念。 在一定 程度上减少了一字多义产生的语义混淆。 该系统在 标准语料库 ＳＩＧＨＡＮ Ｂａｋｅｏｆｆ⁃３（２００６）上取得了较好 的识别效果。 本文首先介绍了中文命名实体识别领域的发展 现状；接着详细描述了基于词边界字向量的中文命 名体识别系统的架构；其后对系统的结果和性能进 行了进一步的分析；最终进行了总结和展望。 １ 系统架构 Ｂｅｎｇｉｏ 首次将卷积神经网络架构（ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＣＮＮ）应用到概率语言模型中［１３］ ，并 成功应用于自然语言处理（ ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓ⁃ ｉｎｇ，ＮＬＰ）问题［１４］ 。 在本系统中，我们使用 ＣＮＮ 来 处理中文命名体识别问题，神经网络架构如图 １ 所示。 首先将待测汉字通过系统的查找层，和滑动窗 口中其他相邻汉字一起，被转化为实数字向量，再将 该向量序列输入到下层神经网络中。 如图 １ 所示， 在时刻 ｔ，系统待测汉字为处于滑动窗口正中的汉字 “的”。 通过查找层后，汉字“的” 以及相邻的汉字 “香、港、繁、荣”（假设窗口大小为 ５）被转换为实数 向量，传输到线性转换层。 经过线性层和 ｓｉｇｍｏｉｄ 层 的处理后，系统对字符“的”对应所有可能标记进行 打分，标注概率越大的标记，分值越高。 在下一时刻 ｔ ＋ １， 系统接着处理句子中的下一个汉字“繁”，以 此类推。 在句子解析层中，将针对整句生成一个由 分值组成的网格。 网格中第 ｔ 列上的节点是 ｔ 时刻 待测汉字对应所有标记的分值。 节点间连线上显示 转移概率，用来描述标记间的转换可能性。 转移概 率在全局统计的基础上产生。 最后应用维特比 （Ｖｉｔｅｒｂｉ）算法，在分值网格中找到分值最高的路径， 作为最终的标记序列。 图 １ 神经网络架构 Ｆｉｇ．１ Ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｃｈｉｔｅｃｔｕｒｅ １．１ 字特征向量 生成特征向量序列的第一步要将全部汉字存储 到查找层的字典 Ｄ 中，每个汉字由固定维度的实数 向量表示。 语句在通过查找层后，被转换为字向量 序列，汉字 ｘ∈Ｄ 的特征向量可以通过方程 ＬＴＣ（·） 获取，方程定义如下： ＬＴＣ（ｘ） ＝ Ｃｘ ·３８· 智 能 系 统 学 报 第 １１ 卷
第1期 姚霖，等：词边界字向量的中文命名实体识别 ·39. 式中：C,∈R是汉字x对应的字向量，s表示向量 字向量虽然为分布式描述，但能够表达汉字间 的维度。查找表C为由字典D中的汉字以及其对 存在的相互关系，其泛化(generalization)的程度是 应的向量组成的矩阵。该特征向量矩阵是通过深层 其他传统的N元文法模型无法达到的。模型参数 神经网络模型，在海量未标注的中文数据上训练得 会依据属性相似的汉字出现的次数加以调整。 到的。高维度的特征向量通过向量间的差值能够较 1.2语句级特征抽取 为准确地捕捉到字/词间的句法和语义关系，自动包 中文命名实体识别对语句中的每个汉字，标注 含汉字间所蕴藏的句法和语义信息。 相应的实体类型，输出是针对整个句子产生的一串 利用神经网络模型获得中英文字词向量的工作 标记序列。由于CNN的输入端长度固定，与自然语 已经有了一定的应用，1s]。在本文中，我们采用 言中句子变长的特点不符，因此我们采用了机器学 相同的方式通过语言模型获得到向量矩阵。尽管采 习领域较为常见的滑动窗口方法，将待标注的句子 用了庞大的训练语料，但由于语言的复杂多变性，数 切分成特定长度的片段，分批输入。图1中，在时刻 据稀疏始终是中文名实体识别中存在的问题。通过 t,当前处理的汉字是p位置上“的”字，与该字距离 对比不同的语言模型2,720]，我们最终选择skp 在[(p-(k-1)/2),(p+(k-1)/2)]范围内的相邻字 gram神经网络模型。 也将一同输入到查找层，从而转换成字向量。通过 与Collobert和Weston]、Turian]、Mnih和 字向量抽取出来的蕴含在这个范围内的句法和语义 Hinton)采用的语言模型相比，Tomas Mikolov[2)的 信息将会被传递到系统的下一层。人为设定窗口大 工作说明skip-gram模型在词类推任务(word analo-- 小为k。k值对系统精度有一定影响，如果选择窗口 y)能够获得较好的成绩，该模型虽然在训练速度上 过小，有利信息不能被覆盖：而窗口过大，因此带来 不占优势，但适合解决数据稀疏问题。skip-gram模 的冗余信息对系统产生不必要的干扰。设字向量为 型使用当前的字/词向量来预测该字/词之前和之后 s-维，则线性层的输入大小为s×k。 各(k-1)÷2个字/词的概率，如图2所示。该模型 1.3标记预测 的优化目标是最大化训练数据的对数似然度： 深层神经网络为多层结构，每一层都在前一层 hi-vsuro log即(x+Ix） 获得的特征基础上，进一步提取特征。根据设计，各 层由不同的线性函数或其他转换函数实现。公式 式中：x:为训练语料中的汉字，k为窗口大小。概率 f(·)描述本系统深层神经网络的中间3层： p(xlx;)由softmax公式得到，定义如下： f(x)=M'g(M'C +b')+b2 expts Vs p(x。1x,)= 式中：M∈Rks,b∈R,M∈R,b2∈Rk山 D ∑exp(,') g(·)代表sigmoid转换。H为隐藏节点的个数，可 x= 式中：心为汉字x的向量初始值，v'表示输出向量。 以通过调整该值，获得更高的精确度。L为标注 集的大小。9=(M,M2,b1,b2)代表系统中所有通过 训练获得的参数。采用随机梯度法，在训练集T X-2) 上，通过最大似然率∑1og即(y1x,8)来训练得到 (,y)ET -维的参数矩阵0(01,02.，…，8)。 Xi-1) 中文命名体识别属于多分类问题，用f(x,l,) 表示汉字x标注为第1个标记的分值，通过条件概 率p(l1x,0)描述。应用softmax回归得到 X计1) enz.1.0) p(l1x,8)= ∑en X+2) 为方便计算，定义操作log-add为 输入隐藏 输出 logaddz=log(∑e） 因此一个训练样本(x,y)的对数似然率为： 图2Skip-gram神经网络语言模型 log即(ylx,0)=fx,y,0)--logaddf(xj,)句子x:n处 Fig.2 The skip-gram neural network language model 在t时刻的汉字标注为l的分值为f(x1:,l,t,)
式中：Ｃｘ∈Ｒ ｜ ｓ｜ 是汉字 ｘ 对应的字向量，ｓ 表示向量 的维度。 查找表 Ｃ 为由字典 Ｄ 中的汉字以及其对 应的向量组成的矩阵。 该特征向量矩阵是通过深层 神经网络模型，在海量未标注的中文数据上训练得 到的。 高维度的特征向量通过向量间的差值能够较 为准确地捕捉到字／ 词间的句法和语义关系，自动包 含汉字间所蕴藏的句法和语义信息。 利用神经网络模型获得中英文字词向量的工作 已经有了一定的应用［１３，１５⁃１７］ 。 在本文中，我们采用 相同的方式通过语言模型获得到向量矩阵。 尽管采 用了庞大的训练语料，但由于语言的复杂多变性，数 据稀疏始终是中文名实体识别中存在的问题。 通过 对比不同的语言模型［１２，１７⁃２０］ ， 我们最终选择 ｓｋｉｐ⁃ ｇｒａｍ 神经网络模型。 与 Ｃｏｌｌｏｂｅｒｔ 和 Ｗｅｓｔｏｎ ［１２］ 、 Ｔｕｒｉａｎ ［１９］ 、 Ｍｎｉｈ 和 Ｈｉｎｔｏｎ ［１７］采用的语言模型相比，Ｔｏｍａｓ Ｍｉｋｏｌｏｖ ［２１］ 的 工作说明 ｓｋｉｐ⁃ｇｒａｍ 模型在词类推任务（ｗｏｒｄ ａｎａｌｏ⁃ ｇｙ）能够获得较好的成绩，该模型虽然在训练速度上 不占优势，但适合解决数据稀疏问题。 ｓｋｉｐ⁃ｇｒａｍ 模 型使用当前的字／ 词向量来预测该字／ 词之前和之后 各（ｋ－１） ÷２ 个字／ 词的概率，如图 ２ 所示。 该模型 的优化目标是最大化训练数据的对数似然度： １ Ｎ∑ Ｎ ｉ ＝ １ －ｋ ／ ２≤∑ ｊ≤ｋ ／ ２，ｊ≠０ ｌｏｇｐ（ｘｉ＋ｊ ｜ ｘｊ） 式中：ｘｉ 为训练语料中的汉字，ｋ 为窗口大小。 概率 ｐ（ｘｉ＋ｊ ｜ ｘｊ）由 ｓｏｆｔｍａｘ 公式得到，定义如下： ｐ（ｘｏ ｜ ｘＩ） ＝ ｅｘｐｖｘｏ ｖｘＩ ∑ Ｄ ｘ ＝ １ ｅｘｐ（ｖｘ ′ｖｘＩ ） 式中：ｖｘ 为汉字 ｘ 的向量初始值，ｖｘ ′表示输出向量。 图 ２ Ｓｋｉｐ⁃ｇｒａｍ 神经网络语言模型 Ｆｉｇ．２ Ｔｈｅ ｓｋｉｐ⁃ｇｒａｍ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｌａｎｇｕａｇｅ ｍｏｄｅｌ 字向量虽然为分布式描述，但能够表达汉字间 存在的相互关系，其泛化（ ｇｅｎｅｒａｌｉｚａｔｉｏｎ） 的程度是 其他传统的 Ｎ 元文法模型无法达到的。 模型参数 会依据属性相似的汉字出现的次数加以调整。 １．２ 语句级特征抽取 中文命名实体识别对语句中的每个汉字，标注 相应的实体类型，输出是针对整个句子产生的一串 标记序列。 由于 ＣＮＮ 的输入端长度固定，与自然语 言中句子变长的特点不符，因此我们采用了机器学 习领域较为常见的滑动窗口方法，将待标注的句子 切分成特定长度的片段，分批输入。 图 １ 中，在时刻 ｔ，当前处理的汉字是 ｐ 位置上 “的”字，与该字距离 在 [ (ｐ－（ｋ－１） ／ ２) ，(ｐ＋（ｋ－１） ／ ２) ] 范围内的相邻字 也将一同输入到查找层，从而转换成字向量。 通过 字向量抽取出来的蕴含在这个范围内的句法和语义 信息将会被传递到系统的下一层。 人为设定窗口大 小为 ｋ。 ｋ 值对系统精度有一定影响，如果选择窗口 过小，有利信息不能被覆盖；而窗口过大，因此带来 的冗余信息对系统产生不必要的干扰。 设字向量为 ｓ⁃维，则线性层的输入大小为 ｓ×ｋ。 １．３ 标记预测 深层神经网络为多层结构，每一层都在前一层 获得的特征基础上，进一步提取特征。 根据设计，各 层由不同的线性函数或其他转换函数实现。 公式 ｆ θ（·）描述本系统深层神经网络的中间 ３ 层： ｆ（ｘ） ＝ Ｍ ２ ｇ（Ｍ １Ｃｘ ＋ ｂ １ ） ＋ ｂ ２ 式中：Ｍ １∈Ｒ Ｈ×ＳＫ ，ｂ １ ∈Ｒ １×Ｈ ，Ｍ ２ ∈Ｒ ｜ Ｌ｜ ×Ｈ ，ｂ ２ ∈Ｒ １× ｜ Ｌ｜ ， ｇ（·）代表 ｓｉｇｍｏｉｄ 转换。 Ｈ 为隐藏节点的个数，可 以通过调整该值，获得更高的精确度。 Ｌ 为标注 集的大小。 θ ＝ （Ｍ １ ，Ｍ ２ ，ｂ１ ，ｂ２ ）代表系统中所有通过 训练获得的参数。 采用随机梯度法，在训练集 Ｔ 上，通过最大似然率 （ｘ∑，ｙ）∈Ｔ ｌｏｇｐ（ｙ ｜ ｘ，θ） 来训练得到 ｖ⁃维的参数矩阵 θ（θ １ ，θ ２， ，…，θｖ） 。 中文命名体识别属于多分类问题，用 ｆ（ ｘ，ｌ，θ） 表示汉字 ｘ 标注为第 ｌ 个标记的分值，通过条件概 率 ｐ（ｌ ｜ ｘ，θ）描述。 应用 ｓｏｆｔｍａｘ 回归得到 ｐ（ｌ ｜ ｘ，θ） ＝ ｅ ｆ（ｘ，ｌ，θ） ∑ ｊ ｅ ｆ（ｘ，ｊ，θ） 为方便计算，定义操作 ｌｏｇ⁃ａｄｄ 为 ｌｏｇａｄｄｚ ｉ ＝ ｌｏｇ ｉ ∑ｉ ｅ ｚ ｉ ( ) 因此一个训练样本（ ｘ， ｙ） 的对数似然率为： ｌｏｇｐ (ｙ ｜ ｘ，θ) ＝ ｆ（ｘ，ｙ，θ）－ｌｏｇａｄｄ ｊ ｆ（ｘ，ｊ，θ）句子 ｘ［１：Ｔ］处 在 ｔ 时刻的汉字标注为 ｌ 的分值为 ｆ ｘ( ［１：Ｔ］ ，ｌ，ｔ，θ) ， 第 １ 期 姚霖，等：词边界字向量的中文命名实体识别 ·３９·
·40. 智能系统学报 第11卷 系统参数集为0。 表1标注数据描述 作为一项序列标注任务，中文命名体识别要根 Table 1 Labeled data descriptions 据整条标记路径的分值情况，判断最终的标注结果。 数据集 包含句子的数量 包含汉字的数量 句子中的邻近标记间存在着关联性。例如，命名实 体B类的内部标记不可能紧跟在类A的左边界标 训练集 136621 2170848 记后面出现：组织机构中间标记不可能紧跟在人名 测试集 11504 172602 的起始标记后面。因此，我们将标记之间存在的依 存关系引入到系统中来。Collobert用A来描述这种 100f 依存关系，即标记i到标记j的转移概率。因此整句 95 的标注过程可以转化为在由标记组成的图中找一条 坦 总体分值最高的路径。一个句子的标记路径分值是 85 80 由两部分组成，第一部分为前面描述的分值 75 fx:,l,1,):第二部分是A。从而系统的所有参 ×10 70 0 0.5 1.03.06.0 9.012 数集0包括A:和。为了加强序列中邻近标记之间 字向量维度/维 的关联，本文将标记推导层的一阶标记转移矩阵扩 图3采用不同维度字向量的实验结果 展为二阶标记转移矩阵，用A#来表示标记k与前面 Fig.3 Experimental Results with Different Vector Sizes 标记(i,)的关联关系。则对于句子的总体分值可 以描述为 实验发现特征向量的维度对模型性能有较大的 影响。增加维度可以提供更多信息，系统的性能也 Snn,)=Mn.0） 相对较好。实验表明即使没有其他词典或者词性特 式中：山1：n为标记集。采用前面定义的log-add运算 征参与，深层神经网络也能够较好地实现中文命名 实体识别任务。 简化计算，归一化后得到：lo即(yun1x:,)= 第2组实验中，将字典特征添加到汉字特征向 S(xu:nu.n,8)-logaddS(xun,u,n,8)在训练 量中。我们采用的字典如表2所示。 V近1：刀 表2字典描述 过程中，使用全部的训练样本对参数集日都会进行 Table 2 Dictionary descriptions 训练，即最大化∑lo即(1：n1x:,)。在生 词典编号 词典名称 (.YeT) 成的网格中，我们使用viterbi算法选择最高分值路 中文常用姓词典 中文不常用姓词典 径，即满足a罗maxS(xu,n,4,n,)的标记路径。 中文常见人名词典 :n 外国人名常用字词典 2实验结果与分析 J 称谓词表 6 中国常见人名词典 2.1相关数据集 个 地名后缀词典 训练skip-gram模型的原始数据是包括人民日 f 地名词典 报和搜狗实验室提供的新闻语料库，总计超过2GB 9 组织机构后缀词典 的中文文本。采用ICTCLAS工具进行分词。采用 10 组织机构词典 11 单字词词典 Word2vec工具训练skip-gram模型。 12 常用多字词典 用来训练参数集0的标注训练语料是SIGHAN 表3描述了字典特征的细节。三组特征分 bakeoff-3MSRA语料(2006)。语料库的统计信息如 为：基础特征包含了字特征的基本信息；第二组 表1所示。 包含了前后缀的信息：最后一组包含已知的名 使用上述数据，我们完成了两组实验。第1组 实体信息。 实验只采用汉字特征向量一种特征，考察了深度神 词是汉语句法和语义的基本单位。同一个字出 经网络模型本身的识别能力。该组实验滑动窗口大 现在单字词或者不同的组合词中，含义可能不同。 小为3，隐藏层节点500个，不同特征向量维数下得 例如，汉字“行”作为单字词的意思是表示赞同的意 到的实验结果如图3所示。 思，但是出现在“银行”和“行动”中意思就完全不同
系统参数集为 θ。 作为一项序列标注任务，中文命名体识别要根 据整条标记路径的分值情况，判断最终的标注结果。 句子中的邻近标记间存在着关联性。 例如，命名实 体 Ｂ 类的内部标记不可能紧跟在类 Ａ 的左边界标 记后面出现；组织机构中间标记不可能紧跟在人名 的起始标记后面。 因此，我们将标记之间存在的依 存关系引入到系统中来。 Ｃｏｌｌｏｂｅｒｔ 用 Ａｌｊ来描述这种 依存关系，即标记 ｉ 到标记 ｊ 的转移概率。 因此整句 的标注过程可以转化为在由标记组成的图中找一条 总体分值最高的路径。 一个句子的标记路径分值是 由两 部 分 组 成， 第 一 部 分 为 前 面 描 述 的 分 值 ｆ ｘ( ［１：Ｔ］ ，ｌ，ｔ，θ) ；第二部分是 Ａｉｊ。 从而系统的所有参 数集 θ ～ 包括 Ａｉｊ和 θ。 为了加强序列中邻近标记之间 的关联，本文将标记推导层的一阶标记转移矩阵扩 展为二阶标记转移矩阵，用 Ａｉｊｋ来表示标记 ｋ 与前面 标记（ｉ， ｊ）的关联关系。 则对于句子的总体分值可 以描述为 Ｓ（ｘ［１：Ｔ］ ，ｌ ［１：Ｔ］ ，θ ～ ） ＝ ∑ Ｔ ｔ ＝ １ Ａｌ ｔ－２ ｌ ｔ－１ ｌ ｔ ＋ ｆ ｘ［１：Ｔ］ ，ｌ ( ( ［ｔ］ ，ｔ，θ) ) 式中：ｌ ［１：Ｔ］ 为标记集。 采用前面定义的 ｌｏｇ⁃ａｄｄ 运算 简化计算，归一化后得到： ｌｏｇｐ ｙ［１：Ｔ］ ｜ ｘ［１：Ｔ］ ，θ ～ ( ) ＝ Ｓ ｘ［１：Ｔ］ ，ｙ［１：Ｔ］ ，θ ～ ( ) － ｌｏｇａｄｄ ∀ｌ［１：Ｔ］ Ｓ ｘ［１：Ｔ］ ，ｌ ［１：Ｔ］ ，θ ～ ( ) 在训练 过程中，使用全部的训练样本对参数集 θ ～ 都会进行 训练，即最大化 （ｘ∑，ｙ∈Ｔ） ｌｏｇｐ ｙ［１：Ｔ］ ｜ ｘ［１：Ｔ］ ，θ ～ ( ) 。 在生 成的网格中，我们使用 ｖｉｔｅｒｂｉ 算法选择最高分值路 径，即满足ａｒｇｍａｘ ｌ［１：Ｔ］ Ｓ ｘ［１：Ｔ］ ，ｌ ［１：Ｔ］ ，θ ～ ( ) 的标记路径。 ２ 实验结果与分析 ２．１ 相关数据集 训练 ｓｋｉｐ⁃ｇｒａｍ 模型的原始数据是包括人民日 报和搜狗实验室提供的新闻语料库，总计超过 ２ＧＢ 的中文文本。 采用 ＩＣＴＣＬＡＳ 工具进行分词。 采用 Ｗｏｒｄ２ｖｅｃ 工具训练 ｓｋｉｐ⁃ｇｒａｍ 模型。 用来训练参数集 θ ～ 的标注训练语料是 ＳＩＧＨＡＮ ｂａｋｅｏｆｆ⁃３ ＭＳＲＡ 语料（２００６）。 语料库的统计信息如 表 １ 所示。 使用上述数据，我们完成了两组实验。 第 １ 组 实验只采用汉字特征向量一种特征，考察了深度神 经网络模型本身的识别能力。 该组实验滑动窗口大 小为 ３，隐藏层节点 ５００ 个，不同特征向量维数下得 到的实验结果如图 ３ 所示。 表 １ 标注数据描述 Ｔａｂｌｅ １ Ｌａｂｅｌｅｄ ｄａｔａ ｄｅｓｃｒｉｐｔｉｏｎｓ 数据集 包含句子的数量 包含汉字的数量 训练集 测试集 １３６ ６２１ １１ ５０４ ２ １７０ ８４８ １７２ ６０２ 图 ３ 采用不同维度字向量的实验结果 Ｆｉｇ．３ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｒｅｓｕｌｔｓ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ Ｖｅｃｔｏｒ Ｓｉｚｅｓ 实验发现特征向量的维度对模型性能有较大的 影响。 增加维度可以提供更多信息，系统的性能也 相对较好。 实验表明即使没有其他词典或者词性特 征参与，深层神经网络也能够较好地实现中文命名 实体识别任务。 第 ２ 组实验中，将字典特征添加到汉字特征向 量中。 我们采用的字典如表 ２ 所示。 表 ２ 字典描述 Ｔａｂｌｅ ２ Ｄｉｃｔｉｏｎａｒｙ ｄｅｓｃｒｉｐｔｉｏｎｓ 词典编号 词典名称 １ ２ ３ ４ ５ ６ ７ ８ ９ １０ １１ １２ 中文常用姓词典 中文不常用姓词典 中文常见人名词典 外国人名常用字词典 称谓词表 中国常见人名词典 地名后缀词典 地名词典 组织机构后缀词典 组织机构词典 单字词词典 常用多字词典 表 ３ 描述了字典特征的细节。 三组特征分 为：基础特征包含了字特征的基本信息；第二组 包含了前后缀的信息；最后一组包含已知的名 实体信息。 词是汉语句法和语义的基本单位。 同一个字出 现在单字词或者不同的组合词中，含义可能不同。 例如，汉字“行”作为单字词的意思是表示赞同的意 思，但是出现在“银行”和“行动”中意思就完全不同 ·４０· 智 能 系 统 学 报 第 １１ 卷
第1期 姚霖，等：词边界字向量的中文命名实体识别 ·41· 了。通过观察发现字处于词语的不同位置时，通常 提取，因此独立加入词典特征对于模型的影响较小。 会表现出不同的句法和语义属性。 表4中文命名实体识别的实验结果 基于以上观察，我们采用了基于词边界的字向 Table 4 Experimental Results of Chinese Named Entity 量表示法。我们使用4种标记来描述单个字在词中 Recognition 所处的位置，汉字x可以转化为以下4种：x-B,x-M, 模型 中文命名实体识别F,/% x-E和x-S。例如，分词后的句子“去/哈尔滨/看/冰 条件随机场（字特征） 84.60 雕”，采用词边界表示，可转化为“去S/哈B尔M滨 SIGHAN2006封闭测试[22] 86.51 E/看S/冰B雕E”,我们基于上述带词边界信息的 SIGHAN2006开放测试[22] 91.18 Deep CNN 89.18 文本来构建字向量。对于汉字x,其特征向量由基 于x-Bx-M、x-E和x-S构建的特征向量连接起来， 对比其他实验模型，如表5所示，分析第二组实 如下所示： 验结果可以看出，在不包含任何词典特征的情况下， LT (x)= 基于词边界字向量的深度神经网络模型的F,值比 [LT (x-B),LT (x-M),LT.(x-E),LT.(x-S)] 基于基本字向量的深度神经网络模型提高了1.5%， 表3中文命名实体识别的字典特征 比条件随机场模型提高了3.1%，优于SINHAN2006 封闭测试的最优结果。加入词典特征以后，模型的 Table 3 Dictionary features for Chinese named entity rec- 预测性能得到提高，其中第一组基本特征的作用最 ognition 大，但是词典特征对于深度神经网络模型的作用不 特征集 特征 如条件随机场模型（如SINHAN2006开放测试的最 X(n=-2,-1,0,1,2),X。eD 优模型)。分析原因是由于深度神经网络将两种不 XXIED(n=-1,0), 同类型的特征（字向量为高维的实数向量，词典特 X-IX.XI EDe(n=-1,0,1) 征为101维的布尔向量)直接串联作为输入，特征 基本 X-X-XX1eD2(n=-1,0), 不能较好的融合：特别是词典特征加入到基于词边 特征 XneD,(n=-2,-1,0) 界字向量对系统的提高，没有单纯使用字向量的时 X。eD2(n=-2,-1,0), 候显著。究其原因，是词边界字向量的维度过高，对 X.eD(n=-2,-1,0,1,2) 词典特征有较大的稀释作用。而条件随机场模型使 X。eD(n=-2.-1,0,1,2) 用的是字、词和字典特征等离散特征的组合，由人工 X.eD,(n=0,1,2), 选择并通过实验进行了调整。 X.eD,(n=0,1,2) 表5不同模型中文命名实体识别的实验结果 X-X,ED(n=-1,0,1,2), Table 5 Experimental Results of Chinese Named Entity Recognition Based on different model X.X.ED,(n=0,1) 基本字向量基于词边界的字向量 前后缀 X.X1∈Dg(n=0,1) Deep CNN 特征 X.-2X-X.EDs(n=0,1,2) +字向量 86.72 88.31 Basic Features 87.76 88.87 XnX1X2eD(n=0）, +Prefix and Suffix Features 87.97 89.10 X.XX2ED (n=0) Named Entity Features 88.14 89.18 Y-2X-XoXEDs, X2 K-XoX:X2∈D5 3结束语 X…Xo…XeD6, 名实体 针对传统序列标注方法普遍需要人工选择特征 X…X。…XeDs 的问题，提出了一种基于词边界字向量的深度神经 特征 X…Xo…XeDo 网络模型，并将其应用于中文命名实体识别问题。 中文命名实体识别问题的实验结果表明：基于词边 表4显示了基于词边界字向量的模型使用不同 界字向量的深度神经网络模型优于基于基本字向量 词典特征的实验结果。采用的字典特征与第一组实 的深度神经网络模型和SINHAN2006封闭测试的 验中的字典特征相同。可以明显看出右侧一列基于 最优模型。 词边界向量的实验结果，相较于左侧基于字向量的 未来的工作中将从以下儿方面考虑如何进一步 实验结果有了明显的提高。增加了字典特征以后， 提高深度神经网络的识别性能。首先，考虑如何能 我们发现对于基于词边界模型的实验结果提高并不 够较好地使用其他统计特征与字向量特征相融合。 明显。说明部分词典特征已经在词边界模型中自动 其次，目前的方法是从句首开始将每个字输入到神
了。 通过观察发现字处于词语的不同位置时，通常 会表现出不同的句法和语义属性。 基于以上观察，我们采用了基于词边界的字向 量表示法。 我们使用 ４ 种标记来描述单个字在词中 所处的位置，汉字 ｘ 可以转化为以下 ４ 种：ｘ⁃Ｂ，ｘ⁃Ｍ， ｘ⁃Ｅ 和 ｘ⁃Ｓ。 例如，分词后的句子“去／ 哈尔滨／ 看／ 冰 雕”，采用词边界表示，可转化为“去 Ｓ ／ 哈 Ｂ 尔 Ｍ 滨 Ｅ ／ 看 Ｓ ／ 冰 Ｂ 雕 Ｅ”，我们基于上述带词边界信息的 文本来构建字向量。 对于汉字 ｘ，其特征向量由基 于 ｘ⁃Ｂ、ｘ⁃Ｍ、ｘ⁃Ｅ 和 ｘ⁃Ｓ 构建的特征向量连接起来， 如下所示： ＬＴｃ（ｘ） ＝ ［ＬＴｃ（ｘ － Ｂ），ＬＴｃ（ｘ － Ｍ），ＬＴｃ（ｘ － Ｅ），ＬＴｃ（ｘ － Ｓ）］ 表 ３ 中文命名实体识别的字典特征 Ｔａｂｌｅ ３ Ｄｉｃｔｉｏｎａｒｙ ｆｅａｔｕｒｅｓ ｆｏｒ Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ 特征集 特征 基本 特征 Ｘｎ（ｎ ＝ －２，－１，０，１，２）， Ｘ０∈Ｄ１１ ＸｎＸｎ＋１∈Ｄ１２（ｎ＝－１，０）， Ｘｎ－１ＸｎＸｎ＋１∈Ｄ１２（ｎ＝－１，０，１） Ｘｎ－２Ｘｎ－１ＸｎＸｎ＋１∈Ｄ１２（ｎ＝－１，０）， Ｘｎ∈Ｄ１（ｎ＝－２，－１，０） Ｘｎ∈Ｄ２（ｎ ＝ －２，－１，０）， Ｘｎ∈Ｄ３（ｎ ＝ －２，－１，０，１，２） Ｘｎ∈Ｄ４（ｎ ＝ －２，－１，０，１，２） 前后缀 特征 Ｘｎ∈Ｄ７（ｎ ＝ ０，１，２）， Ｘｎ∈Ｄ９（ｎ ＝ ０，１，２） Ｘｎ－１Ｘｎ∈Ｄ５（ｎ ＝ －１，０，１，２）， ＸｎＸｎ＋１∈Ｄ７（ｎ ＝ ０，１） ＸｎＸｎ＋１∈Ｄ９（ｎ ＝ ０，１）， Ｘｎ－２Ｘｎ－１Ｘｎ∈Ｄ５（ｎ ＝ ０，１，２） ＸｎＸｎ＋１Ｘｎ＋２∈Ｄ７（ｎ ＝ ０） ， ＸｎＸｎ＋１Ｘｎ＋２∈Ｄ９（ｎ ＝ ０） Ｘ－２Ｘ－１Ｘ０Ｘ１∈Ｄ５ ， Ｘ－２Ｘ－１Ｘ０Ｘ１Ｘ２∈Ｄ５ 名实体 特征 Ｘ－ｉ…Ｘ０…Ｘｊ∈Ｄ６ ， Ｘ－ｉ…Ｘ０…Ｘｊ∈Ｄ８ Ｘ－ｉ…Ｘ０…Ｘｊ∈Ｄ１０ 表 ４ 显示了基于词边界字向量的模型使用不同 词典特征的实验结果。 采用的字典特征与第一组实 验中的字典特征相同。 可以明显看出右侧一列基于 词边界向量的实验结果，相较于左侧基于字向量的 实验结果有了明显的提高。 增加了字典特征以后， 我们发现对于基于词边界模型的实验结果提高并不 明显。 说明部分词典特征已经在词边界模型中自动 提取，因此独立加入词典特征对于模型的影响较小。 表 ４ 中文命名实体识别的实验结果 Ｔａｂｌｅ ４ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｒｅｓｕｌｔｓ ｏｆ Ｃｈｉｎｅｓｅ Ｎａｍｅｄ Ｅｎｔｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ 模型 中文命名实体识别 Ｆ１ ／ ％ 条件随机场（字特征） ＳＩＧＨＡＮ ２００６ 封闭测试［２２］ ＳＩＧＨＡＮ ２００６ 开放测试［２２］ Ｄｅｅｐ ＣＮＮ ８４．６０ ８６．５１ ９１．１８ ８９．１８ 对比其他实验模型，如表 ５ 所示，分析第二组实 验结果可以看出，在不包含任何词典特征的情况下， 基于词边界字向量的深度神经网络模型的 Ｆ１ 值比 基于基本字向量的深度神经网络模型提高了 １．５％， 比条件随机场模型提高了 ３．１％，优于 ＳＩＮＨＡＮ ２００６ 封闭测试的最优结果。 加入词典特征以后，模型的 预测性能得到提高，其中第一组基本特征的作用最 大，但是词典特征对于深度神经网络模型的作用不 如条件随机场模型（如 ＳＩＮＨＡＮ ２００６ 开放测试的最 优模型）。 分析原因是由于深度神经网络将两种不 同类型的特征（字向量为高维的实数向量，词典特 征为 １０１ 维的布尔向量） 直接串联作为输入，特征 不能较好的融合；特别是词典特征加入到基于词边 界字向量对系统的提高，没有单纯使用字向量的时 候显著。 究其原因，是词边界字向量的维度过高，对 词典特征有较大的稀释作用。 而条件随机场模型使 用的是字、词和字典特征等离散特征的组合，由人工 选择并通过实验进行了调整。 表 ５ 不同模型中文命名实体识别的实验结果 Ｔａｂｌｅ ５ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｒｅｓｕｌｔｓ ｏｆ Ｃｈｉｎｅｓｅ Ｎａｍｅｄ Ｅｎｔｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌ Ｄｅｅｐ ＣＮＮ 基本字向量 基于词边界的字向量 ＋字向量 ８６．７２ ８８．３１ ＋ Ｂａｓｉｃ Ｆｅａｔｕｒｅｓ ８７．７６ ８８．８７ ＋Ｐｒｅｆｉｘ ａｎｄ Ｓｕｆｆｉｘ Ｆｅａｔｕｒｅｓ ８７．９７ ８９．１０ ＋ Ｎａｍｅｄ Ｅｎｔｉｔｙ Ｆｅａｔｕｒｅｓ ８８．１４ ８９．１８ ３ 结束语 针对传统序列标注方法普遍需要人工选择特征 的问题，提出了一种基于词边界字向量的深度神经 网络模型，并将其应用于中文命名实体识别问题。 中文命名实体识别问题的实验结果表明：基于词边 界字向量的深度神经网络模型优于基于基本字向量 的深度神经网络模型和 ＳＩＮＨＡＮ ２００６ 封闭测试的 最优模型。 未来的工作中将从以下几方面考虑如何进一步 提高深度神经网络的识别性能。 首先，考虑如何能 够较好地使用其他统计特征与字向量特征相融合。 其次，目前的方法是从句首开始将每个字输入到神 第 １ 期 姚霖，等：词边界字向量的中文命名实体识别 ·４１·
·42. 智能系统学报 第11卷 经网络中，一旦命名实体的左边界词出现识别错误， [14]COLLOBERT R,WESTON J,BOTTOU L,et al.Natural 会对整句的识别带来较大影响。下一步，我们考虑 language processing (almost)from scratchJ].Journal of machine learning research,2011,12(1):2493-2537. 结合反向输入，以避免对命名实体的左边界词的识 [15 SCHWENK H.Continuous space language models J]. 别率要求较高的问题。 Computer speech language,2007,21(3):492-518. [16]MIKOLOV T,KARAFIAT M,BURGET L,et al.Recur- 参考文献： rent neural network based language model [C]//Proceed- ings of 11th Annual Conference of the International Speech [1]BENDER O,OCH F J,NEY H.Maximum entropy models Communication Association INTERSPEECH).Makuhari, for named entity recognition[Cl//Proceedings of 7th Con- Chiba,Japan,2010,4:1045-1048. ference on Natural Language Learning at HLT-NAACL [17]MNIH A,TEH Y W.A fast and simple algorithm for train- Stroudsburg,USA,2003,4:148-151. ing neural probabilistic language models[C//Proceedings [2]WHITELAW C.PATRICK J.Named entity recognition using of the 29th International Conference on Machine Learning a character-based probabilistic approach[C]//Proceedings of ICML-12).Edinburgh,Scotland,UK,2012:1751-1758. CoNLL-2003.Edmonton,Canada,2003:196-199. [18]BOTTOU L.Stochastic gradient learning in neural networks [3]CURRAN J R,CLARK S.Language independent NER u- [C//Proceedings of Neuro-Nimes 91.Nimes,France,1991. sing a maximum entropy tagger[C]//Proceedings of the 7th [19]TURIAN J,RATINOV L,BENGIO Y.Word representa- Conference on Natural Language Learning at HLT-NAACL. tions:a simple and general method for semi-supervised Stroudsburg,USA,2003,4:164-167. learning[C]//Proceedings of the 48th Annual Meeting of [4]CHIEU H L,NG H T.Named entity recognition:a maxi- mum entropy approach using global information [C]//Pro- the Association for Computational Linguistics.Uppsala, Sweden,2010:384-394. ceedings of the 19th International Conference on Computa- [20]MIKOLOV T,YIH W T,ZWEIG G.Linguistic regularities tional Linguistics.Stroudsburg,USA,2002,1:1-7. in continuous space word representations[C//Proceedings [5]KLEIN D,SMARR J,NGUYEN H,et al.Named entity of the 2013 Conference of the North American Chapter of recognition with character-level models[C]//Proceedings of the Association for Computational Linguistics:Human Lan- the seventh conference on Natural language learning at HLT-NAACL.Stroudsburg,USA,2003,4:180-183. guage Technologies.Atlanta,Georgia,2013:746-751. 21]MIKOLOV T,SUTSKEVER I,CHEN Kai,et al.Distribu- [6]FLORIAN R,ITTYCHERIAH A,JING Hongyan,et al. ted representations of words and phrases and their composi- Named entity recognition through classifier combination tionality[C]//Advances in Neural Information Processing [C]//Proceedings of the 7th Conference on Natural Lan- Systems.California,USA,2013. guage Learning at HLT-NAACL.Stroudsburg,USA,2003, [22]LEVOW G A.The third international Chinese language 4:168-171. processing bakeoff:word segmentation and named entity [7]MAYFIELD J,MCNAMEE P,PIATKO C.Named entity recognition[C]//Proceedings of the 5th SIGHAN Work- recognition using hundreds of thousands of features[C]/ shop on Chinese Language Processing.Sydney,Australia, Proceedings of the 7th Conference on Natural Language 2006:108-117. Learning at HLT-NAACL.Stroudsburg,USA,2003,4: 作者简介： 184-187. 姚霖，1975年生，高级工程师，主要 [8]KAZAMA J,MAKINO T,OHTA Y,et al.Tuning support 研究方向为生物信息、自然语言处理。 vector machines for biomedical named entity recognition 主持和参与多项科研项目。发表学术 [C]//Proceedings of the ACL-02 Workshop on Natural 论文20余篇。 Language Processing in the Biomedical Domain at ACL Stroudsburg,USA,2002,3:1-8. [9SETTLES B.Biomedical named entity recognition using con- ditional random fields and rich feature sets[C//Proceed- ings of the International Joint Workshop on Natural Lan- guage Processing in Biomedicine and its Applications (NLP. 刘轶，1972年生，研究员，主要研究 BA).Geneva,Switzerland,2004:104-107. 方向为语音识别、多媒体信息处理、嵌 [10]WONG F,CHAO S,HAO CC,et al.A Maximum Entropy 入式软件及系统，主持和参与国家自然 ME)based translation model for Chinese characters con- 科学基金等项目几十项。发表学术论 version[J].Journal of advances in computational linguis- 文50余篇，其中被SCI检索6篇，EI检 tics,research in computer science,2009,41:267-276. 索22篇。 [11]YAO Lin,SUN Chengjie,WANG Xiaolong,et al.Combi- ning self learning and active learning for Chinese named entity recognition[J].Journal of software,2010,5(5): 530-537. 刘宏，1967年生，教授，博士生导 [12]COLLOBERT R.Deep learning for efficient discriminative 师，主要研究方向为软硬件协同设计、 parsing[C]//Proceedings of the 14th International Confer- 计算机视觉与智能机器人、图像处理与 ence on Artificial Intelligence and Statistics AISTATS). Lauderdale,USA,2011:224-232. 模式识别。发表学术论文50余篇。 [13]BENGIO Y,DUCHARME R,VINCENT P,et al.A neu- ral probabilistic language model[J].Journal of machine learning research,2003,3(6):1137-1155
经网络中，一旦命名实体的左边界词出现识 刘宏， １９６７ 年生，教授，博士生导 别错误， 会对整句的识别带来较大影响。 下一步，我们考虑 结合反向输入，以避免对命名实体的左边界词的识 别率要求较高的问题。 参考文献： ［１］ＢＥＮＤＥＲ Ｏ， ＯＣＨ Ｆ Ｊ， ＮＥＹ Ｈ． Ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｍｏｄｅｌｓ ｆｏｒ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ７ｔｈ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００３， ４： １４８⁃１５１． ［２］ＷＨＩＴＥＬＡＷ Ｃ， ＰＡＴＲＩＣＫ Ｊ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ａ ｃｈａｒａｃｔｅｒ⁃ｂａｓｅｄ ｐｒｏｂａｂｉｌｉｓｔｉｃ ａｐｐｒｏａｃｈ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＣｏＮＬＬ⁃２００３． Ｅｄｍｏｎｔｏｎ， Ｃａｎａｄａ， ２００３： １９６⁃１９９． ［３］ ＣＵＲＲＡＮ Ｊ Ｒ， ＣＬＡＲＫ Ｓ． Ｌａｎｇｕａｇｅ ｉｎｄｅｐｅｎｄｅｎｔ ＮＥＲ ｕ⁃ ｓｉｎｇ ａ ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｔａｇｇｅｒ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００３， ４： １６４⁃１６７． ［４］ ＣＨＩＥＵ Ｈ Ｌ， ＮＧ Ｈ Ｔ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ： ａ ｍａｘｉ⁃ ｍｕｍ ｅｎｔｒｏｐｙ ａｐｐｒｏａｃｈ ｕｓｉｎｇ ｇｌｏｂａｌ ｉｎｆｏｒｍａｔｉｏｎ［ Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａ⁃ ｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００２， １： １⁃７． ［５］ ＫＬＥＩＮ Ｄ， ＳＭＡＲＲ Ｊ， ＮＧＵＹＥＮ Ｈ， ｅｔ ａｌ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｃｈａｒａｃｔｅｒ⁃ｌｅｖｅｌ ｍｏｄｅｌｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｓｅｖｅｎｔｈ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００３， ４： １８０⁃１８３． ［６］ ＦＬＯＲＩＡＮ Ｒ， ＩＴＴＹＣＨＥＲＩＡＨ Ａ， ＪＩＮＧ Ｈｏｎｇｙａｎ， ｅｔ ａｌ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｔｈｒｏｕｇｈ ｃｌａｓｓｉｆｉｅｒ ｃｏｍｂｉｎａｔｉｏｎ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎａｔｕｒａｌ Ｌａｎ⁃ ｇｕａｇｅ Ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００３， ４： １６８⁃１７１． ［７］ ＭＡＹＦＩＥＬＤ Ｊ， ＭＣＮＡＭＥＥ Ｐ， ＰＩＡＴＫＯ Ｃ． Ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｈｕｎｄｒｅｄｓ ｏｆ ｔｈｏｕｓａｎｄｓ ｏｆ ｆｅａｔｕｒｅｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｌｅａｒｎｉｎｇ ａｔ ＨＬＴ⁃ＮＡＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００３， ４： １８４⁃１８７． ［８］ＫＡＺＡＭＡ Ｊ， ＭＡＫＩＮＯ Ｔ， ＯＨＴＡ Ｙ， ｅｔ ａｌ． Ｔｕｎｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＬ⁃０２ Ｗｏｒｋｓｈｏｐ ｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ ｔｈｅ Ｂｉｏｍｅｄｉｃａｌ Ｄｏｍａｉｎ ａｔ ＡＣＬ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００２， ３： １⁃８． ［９］ＳＥＴＴＬＥＳ Ｂ． Ｂｉｏｍｅｄｉｃａｌ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｃｏｎ⁃ ｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ ａｎｄ ｒｉｃｈ ｆｅａｔｕｒｅ ｓｅｔｓ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｗｏｒｋｓｈｏｐ ｏｎ Ｎａｔｕｒａｌ Ｌａｎ⁃ ｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ｂｉｏｍｅｄｉｃｉｎｅ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ （ＮＬＰ⁃ ＢＡ）． Ｇｅｎｅｖａ， Ｓｗｉｔｚｅｒｌａｎｄ， ２００４： １０４⁃１０７． ［１０］ＷＯＮＧ Ｆ， ＣＨＡＯ Ｓ， ＨＡＯ Ｃ Ｃ， ｅｔ ａｌ． Ａ Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ （ＭＥ） ｂａｓｅｄ ｔｒａｎｓｌａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ Ｃｈｉｎｅｓｅ ｃｈａｒａｃｔｅｒｓ ｃｏｎ⁃ ｖｅｒｓｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ａｄｖａｎｃｅｓ ｉｎ ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｉｎｇｕｉｓ⁃ ｔｉｃｓ， ｒｅｓｅａｒｃｈ ｉｎ ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２００９， ４１： ２６７⁃２７６． ［１１］ＹＡＯ Ｌｉｎ， ＳＵＮ Ｃｈｅｎｇｊｉｅ， ＷＡＮＧ Ｘｉａｏｌｏｎｇ， ｅｔ ａｌ． Ｃｏｍｂｉ⁃ ｎｉｎｇ ｓｅｌｆ ｌｅａｒｎｉｎｇ ａｎｄ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｆｏｒ Ｃｈｉｎｅｓｅ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｓｏｆｔｗａｒｅ， ２０１０， ５（ ５）： ５３０⁃５３７． ［１２］ＣＯＬＬＯＢＥＲＴ Ｒ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｅｆｆｉｃｉｅｎｔ ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ｐａｒｓｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｓｔａｔｉｓｔｉｃｓ （ＡＩＳＴＡＴＳ）． Ｌａｕｄｅｒｄａｌｅ， ＵＳＡ， ２０１１： ２２４⁃２３２． ［１３］ＢＥＮＧＩＯ Ｙ， ＤＵＣＨＡＲＭＥ Ｒ， ＶＩＮＣＥＮＴ Ｐ， ｅｔ ａｌ． Ａ ｎｅｕ⁃ ｒａｌ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｌａｎｇｕａｇｅ ｍｏｄｅｌ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｒｅｓｅａｒｃｈ， ２００３， ３（６）： １１３７⁃１１５５． ［１４］ＣＯＬＬＯＢＥＲＴ Ｒ， ＷＥＳＴＯＮ Ｊ， ＢＯＴＴＯＵ Ｌ， ｅｔ ａｌ． Ｎａｔｕｒａｌ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ （ａｌｍｏｓｔ） ｆｒｏｍ ｓｃｒａｔｃｈ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｒｅｓｅａｒｃｈ， ２０１１， １２（１）： ２４９３⁃２５３７． ［ １５］ ＳＣＨＷＥＮＫ Ｈ． Ｃｏｎｔｉｎｕｏｕｓ ｓｐａｃｅ ｌａｎｇｕａｇｅ ｍｏｄｅｌｓ ［ Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｐｅｅｃｈ ＆ ｌａｎｇｕａｇｅ， ２００７， ２１（３）： ４９２⁃５１８． ［１６］ＭＩＫＯＬＯＶ Ｔ， ＫＡＲＡＦＩÁＴ Ｍ， ＢＵＲＧＥＴ Ｌ， ｅｔ ａｌ． Ｒｅｃｕｒ⁃ ｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｌａｎｇｕａｇｅ ｍｏｄｅｌ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ １１ｔｈ Ａｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｐｅｅｃｈ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ａｓｓｏｃｉａｔｉｏｎ （ＩＮＴＥＲＳＰＥＥＣＨ）． Ｍａｋｕｈａｒｉ， Ｃｈｉｂａ， Ｊａｐａｎ， ２０１０， ４： １０４５⁃１０４８． ［１７］ＭＮＩＨ Ａ， ＴＥＨ Ｙ Ｗ． Ａ ｆａｓｔ ａｎｄ ｓｉｍｐｌｅ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｒａｉｎ⁃ ｉｎｇ ｎｅｕｒａｌ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｌａｎｇｕａｇｅ ｍｏｄｅｌｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ （ＩＣＭＬ⁃１２）． Ｅｄｉｎｂｕｒｇｈ， Ｓｃｏｔｌａｎｄ， ＵＫ， ２０１２： １７５１⁃１７５８． ［１８］ ＢＯＴＴＯＵ Ｌ． Ｓｔｏｃｈａｓｔｉｃ ｇｒａｄｉｅｎｔ ｌｅａｒｎｉｎｇ ｉｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｎｅｕｒｏ⁃Ｎîｍｅｓ ９１． Ｎｉｍｅｓ， Ｆｒａｎｃｅ， １９９１． ［１９］ＴＵＲＩＡＮ Ｊ， ＲＡＴＩＮＯＶ Ｌ， ＢＥＮＧＩＯ Ｙ． Ｗｏｒｄ ｒｅｐｒｅｓｅｎｔａ⁃ ｔｉｏｎｓ： ａ ｓｉｍｐｌｅ ａｎｄ ｇｅｎｅｒａｌ ｍｅｔｈｏｄ ｆｏｒ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４８ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． Ｕｐｐｓａｌａ， Ｓｗｅｄｅｎ， ２０１０： ３８４⁃３９４． ［２０］ＭＩＫＯＬＯＶ Ｔ， ＹＩＨ Ｗ Ｔ， ＺＷＥＩＧ Ｇ． Ｌｉｎｇｕｉｓｔｉｃ ｒｅｇｕｌａｒｉｔｉｅｓ ｉｎ ｃｏｎｔｉｎｕｏｕｓ ｓｐａｃｅ ｗｏｒｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１３ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ｔｈｅ Ｎｏｒｔｈ Ａｍｅｒｉｃａｎ Ｃｈａｐｔｅｒ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ： Ｈｕｍａｎ Ｌａｎ⁃ ｇｕａｇｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ． Ａｔｌａｎｔａ， Ｇｅｏｒｇｉａ， ２０１３： ７４６⁃７５１． ［２１］ＭＩＫＯＬＯＶ Ｔ， ＳＵＴＳＫＥＶＥＲ Ｉ， ＣＨＥＮ Ｋａｉ， ｅｔ ａｌ． Ｄｉｓｔｒｉｂｕ⁃ ｔｅｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｏｆ ｗｏｒｄｓ ａｎｄ ｐｈｒａｓｅｓ ａｎｄ ｔｈｅｉｒ ｃｏｍｐｏｓｉ⁃ ｔｉｏｎａｌｉｔｙ［Ｃ］ ／ ／ Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｃａｌｉｆｏｒｎｉａ， ＵＳＡ， ２０１３． ［２２］ ＬＥＶＯＷ Ｇ Ａ． Ｔｈｅ ｔｈｉｒｄ ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｌａｎｇｕａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｂａｋｅｏｆｆ： ｗｏｒｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｎａｍｅｄ ｅｎｔｉｔｙ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ ＳＩＧＨＡＮ Ｗｏｒｋ⁃ ｓｈｏｐ ｏｎ Ｃｈｉｎｅｓｅ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ． Ｓｙｄｎｅｙ， Ａｕｓｔｒａｌｉａ， ２００６： １０８⁃１１７． 作者简介： 姚霖，１９７５ 年生，高级工程师，主要 研究方向为生物信息、自然语言处理。 主持和参与多项科研项目。 发表学术 论文 ２０ 余篇。 刘轶，１９７２ 年生，研究员，主要研究 方向为语音识别、多媒体信息处理、嵌 入式软件及系统，主持和参与国家自然 科学基金等项目几十项。 发表学术论 文 ５０ 余篇，其中被 ＳＣＩ 检索 ６ 篇，ＥＩ 检 索 ２２ 篇。 ·４２· 智 能 系 统 学 报 第 １１ 卷 师，主要研究方向为软硬件协同设计、 计算机视觉与智能机器人、图像处理与 模式识别。发表学术论文50余篇
