盧毅、李龍豪。
In Proceedings of the 32th Conference on Computational Linguistics and Speech Processing (ROCLING’20), pages 21-36.
摘要
命名實體辨識任務的目標是從非結構化的輸入文本中，抽取出關注的命名實體，例如: 人名、地名、組織名、日期、時間等專有名詞，擷取的命名實體，可以做為關係擷取、 事件偵測與追蹤、知識圖譜建置、問答系統等應用的基礎。機器學習的方法將其視為序 列標註問題，透過大規模語料學習標註模型，對句子的各個字元位置進行標註。我們提 出一個門控圖序列神經網路 (Gated Graph Sequence Neural Network, GGSNN) 模型，用 於中文健康照護領域命名實體辨識，我們整合詞嵌入以及部首嵌入的資訊，建構多重嵌 入的字嵌入向量，藉由調適門控圖序列神經網路，融入已知字典中的命名實體資訊，然 後銜接雙向長短期記憶類神經網路與條件隨機場域，對中文句子中的字元序列標註。我 們透過網路爬蟲蒐集健康照護相關內容的網路文章以及醫療問答紀錄，然後隨機抽取中 文句子做人工斷詞與命名實體標記，句子總數為 30,692 句 (約 150 萬字/91.7 萬詞)，共 有 68,460 命名實體，包含 10 個命名實體種類:人體、症狀、醫療器材、檢驗、化學物 質、疾病、藥品、營養品、治療與時間。藉由實驗結果與錯誤分析得知，我們提出的模 型達到最好的 F1-score 75.69%，比相關研究模型 (BiLSTM-CRF, BERT, Lattice, Gazetteers 以及 ME-CNER)表現好，且為效能與效率兼具的中文健康照護命名實體辨識 方法。