Ein neuronales geschichtetes Modell für die erweiterte benannte Entitätsidentifikation

Eingebettete Entitätsnennungen innerhalb längerer Entitätsnennungen werden als geschachtelte Entitäten bezeichnet. Die meisten Systeme zur benannten Entitätsidentifikation (NER) berücksichtigen lediglich flache Entitäten und ignorieren die inneren geschachtelten Nennungen, was dazu führt, dass feinere semantische Informationen in den zugrundeliegenden Texten nicht erfasst werden. Um dieses Problem anzugehen, schlagen wir ein neuartiges neuronales Modell vor, das geschachtelte Entitäten durch dynamisches Stapeln flacher NER-Schichten identifiziert. Jede flache NER-Schicht basiert auf dem Stand der Technik in Bezug auf flache NER-Modelle, die die sequenzielle Kontextrepräsentation mittels einer bidirektionalen Long Short-Term Memory (LSTM)-Schicht erfassen und diese an eine kaskadierte CRF-Schicht weiterleiten. Unser Modell kombiniert die Ausgabe der LSTM-Schicht der aktuellen flachen NER-Schicht, um neue Repräsentationen für erkannte Entitäten zu erstellen, die anschließend in die nächste flache NER-Schicht eingespeist werden. Dadurch kann unser Modell äußere Entitäten effizient extrahieren, indem es die in den entsprechenden inneren Entitäten kodierten Informationen vollständig ausnutzt – in einer innerhalb-nach-außer-Weise. Das Modell stapelt die flachen NER-Schichten dynamisch, bis keine weiteren äußeren Entitäten mehr extrahiert werden können. Umfangreiche Evaluationen zeigen, dass unser dynamisches Modell state-of-the-art feature-basierte Systeme bei der geschachtelten NER übertrifft und F-Score-Werte von 74,7 % und 72,2 % auf den Datensätzen GENIA und ACE2005 erreicht.