Neuronales Re-Ranking für die Named-Entity-Erkennung

Wir schlagen ein neuronales Reranking-System für die Erkennung benannter Entitäten (Named Entity Recognition, NER) vor. Das grundlegende Konzept besteht darin, rekurrente Neuronale Netzwerke zu nutzen, um satzbezogene Muster zu lernen, die benannte Entitätsnennungen betreffen. Insbesondere ersetzen wir in einem durch ein Basis-NER-Modell erzeugten Ausgabesatz alle Entitätsnennungen, wie zum Beispiel \textit{Barack Obama}, durch ihre Entitätstypen, wie zum Beispiel \textit{PER} (Person). Die resultierenden Satzmuster enthalten direkte Ausgabeinformationen und sind weniger dünn besetzt ohne spezifische benannte Entitäten. Ein Beispiel für ein solches Muster ist: "PER wurde in LOC geboren". LSTM- und CNN-Architekturen werden verwendet, um tiefe Darstellungen dieser Sätze für das Reranking zu lernen. Die Ergebnisse zeigen, dass unser System die NER-Genauigkeit bei zwei verschiedenen Basismodellen erheblich verbessern kann und die besten bisher gemeldeten Ergebnisse auf einem Standard-Benchmark liefert.