InferNER：一种利用句子级信息的注意力模型，用于微博中的命名实体识别

我们研究了在用户生成文本（如社交媒体帖子）中进行命名实体识别（Named Entity Recognition, NER）的问题。由于此类数据长度受限且语法连贯性较差，该任务面临显著挑战。当前最先进的方法通常依赖外部资源（如地名词典，gazetteers）以缓解上述限制。本文提出一种神经网络模型，在不依赖地名词典或其他类似外部信息源的情况下，仍能超越现有最先进水平。该方法融合了词级、字级及句子级信息，以提升短文本中的命名实体识别性能。此外，社交媒体帖子（如推文）常配有相关图像，这些图像可能提供有助于理解文本的辅助上下文信息。因此，我们进一步引入视觉信息，并设计了一种注意力机制，分别计算文本内容与文本相关视觉上下文的注意力权重概率。实验结果表明，该模型在多个NER数据集上均优于当前最先进方法：在WNUT 2016和WNUT 2017数据集上，分别取得了53.48%和50.52%的F1分数；在多模态数据集上，结合多模态信息的模型更取得了74%的F1分数，显著超越当前最先进水平。进一步评估还表明，该模型在新闻语料（newswire）数据上同样表现优于现有最先进方法，验证了其在多种命名实体识别任务中的广泛适用性与优越性能。