科技文献中短语级主题抽取的主动学习方法研究

摘要：

[目的]在标注语料匮乏的情况下,利用主动学习策略,探索科技文献信息抽取的有效解决方案.[方法]设计一种融合主动学习的神经网络模型架构,将三种代表性的主动学习策略(MARGIN,NSE,MNLP)和新提出的LWP策略与神经网络信息抽取模型(CNN-BiLSTM-CRF)结合,研究适用于标注语料匮乏的任务驱动型信息抽取方法.[结果]在主动学习引导下,仅选择性标注10％～30％数据,即可达到神经网络模型训练100％标注数据的效果,可大大降低标注语料库构建过程中的人力成本.[局限]人工智能领域科技文献数据集规模小、噪声多,信息抽取模型的精确率低.[结论]主动学习策略指导下的神经网络模型,大幅缩减了所需标注语料库的规模.对比4种主动学习策略发现:MNLP策略显著优于其他策略;MARGIN策略在初始迭代阶段表现优异且能辨别出低价值的实例;基于句长规范化的MNLP策略能促进模型的稳定性;LWP适用于语义标签占比大的数据集.

关键词：信息抽取、主动学习、神经网络

所属期刊栏目：4

分类号：TP393;G202(计算技术、计算机技术)

资助基金：本文系国家自然科学基金青年科学基金项目“中文网络文本的地理实体语义关系标注与评价”;资源与环境信息系统国家重点实验室开放基金的研究成果之一

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：134-143