您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201903-203
论文题目 结合注意力机制与双向LSTM的中文事件检测方法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

结合注意力机制与双向LSTM的中文事件检测方法

首发时间:2019-03-18

沈兰奔 1   

沈兰奔(1993—),男,硕士研究生,主要研究领域为中文信息处理、知识图谱。

武志昊 1   

武志昊(1984—),男,副教授,博导,主要研究领域为数据挖掘、链路预测。

纪宇泽 1   

纪宇泽(1995—),硕士研究生,主要研究领域为自然语言处理、知识图谱。

林友芳 1   

林友芳(1971年-),男,教授,博导。主要研究方向智能系统、网络科学、海量数据处理、数据仓库、数据挖掘、商业智能、企业信息化。

万怀宇 1   

万怀宇(1981年-),男,副教授,博导,主要研究方向:社交网络用户画像、用户群体行为分析、社交网络推荐、交通流量预测、知识图谱等。

  • 1、北京交通大学计算机与信息技术学院,北京 100044

摘要:事件检测是信息抽取领域的重要任务之一。已有的方法大多高度依赖于复杂的语言特征工程和自然语言处理工具,中文事件检测还存在着由分词带来的触发词分割问题。本文将中文事件检测视为一个序列标注而非分类问题,提出了一种结合注意力机制与长短期记忆神经网络的中文事件检测模型ATT-BiLSTM,利用注意力机制来更好地捕获全局特征,并通过两个双向LSTM层来更有效地捕获句子序列特征,从而提高中文事件检测的效果。在ACE 2005中文数据集上的实验表明,本文提出的方法与其他现有的中文事件检测方法相比性能得到了明显的提升。

关键词: 中文事件检测 注意力机制 长短期记忆模型

For information in English, please click here

Chinese Event Detection Method Combining Attention Mechanism and BiLSTM

Shen Lanben 1   

沈兰奔(1993—),男,硕士研究生,主要研究领域为中文信息处理、知识图谱。

Wu Zhihao 1   

武志昊(1984—),男,副教授,博导,主要研究领域为数据挖掘、链路预测。

Ji Yuze 1   

纪宇泽(1995—),硕士研究生,主要研究领域为自然语言处理、知识图谱。

Lin Youfang 1   

林友芳(1971年-),男,教授,博导。主要研究方向智能系统、网络科学、海量数据处理、数据仓库、数据挖掘、商业智能、企业信息化。

Wan Huaiyu 1   

万怀宇(1981年-),男,副教授,博导,主要研究方向:社交网络用户画像、用户群体行为分析、社交网络推荐、交通流量预测、知识图谱等。

  • 1、School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044

Abstract:Event detection is one of the important tasks in the field of information extraction. Most of the existing methods are highly dependent on complicated natural language feature engineering and processing tools. Chinese event detection even suffers from the problem that some trigger words are segmented by word segmentation. In this paper, Chinese event detection is regarded as a sequence labeling rather than a classification problem. A Chinese event detection model ATT-BiLSTM is proposed, which integrates attention mechanism and long short-term memory neural network. The attention mechanism is used to better capture global features and BiLSTM layers are employed to capture sequence features more effectively, which can improve the performance of Chinese event detection. Experiments on the ACE 2005 Chinese dataset show that the performance of the proposed method significantly outperforms other existing Chinese event detection methods.

Keywords: Chinese event detection attention mechanism long short-term memory

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
沈兰奔,武志昊,纪宇泽,等. 结合注意力机制与双向LSTM的中文事件检测方法[EB/OL]. 北京:中国科技论文在线 [2019-03-18]. http://www.paper.edu.cn/releasepaper/content/201903-203.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

结合注意力机制与双向LSTM的中文事件检测方法