Architektur zur benannten Entitätenerkennung, die kontextuelle und globale Merkmale kombiniert

Die Erkennung benannter Entitäten (Named Entity Recognition, NER) ist eine Technik zur Informationsextraktion, die darauf abzielt, benannte Entitäten (z. B. Organisationen, Orte usw.) innerhalb eines Dokuments zu lokalisieren und in vordefinierte Kategorien zu klassifizieren. Die korrekte Identifizierung dieser Phrasen spielt eine entscheidende Rolle bei der Vereinfachung des Informationszugriffs. Allerdings bleibt diese Aufgabe schwierig, da benannte Entitäten (NEs) zahlreiche Formen annehmen können und stark kontextabhängig sind. Während der Kontext durch kontextuelle Merkmale repräsentiert werden kann, werden globale Beziehungen durch solche Modelle oft unzureichend erfasst. In diesem Paper schlagen wir die Kombination kontextueller Merkmale aus XLNet mit globalen Merkmalen aus einem Graphen-Convolutional-Network (GCN) vor, um die Leistung der NER zu verbessern. Experimente an einem weit verbreiteten Datensatz, CoNLL 2003, zeigen die Vorteile unserer Strategie, wobei die Ergebnisse mit denen der State-of-the-Art (SOTA) konkurrieren.