基于BiLSTM-CRF模型的食品安全事件词性自动标注研究

doi:10.3772/j.issn.1000-0135.2018.12.004

情报学报

2018, Vol. 37

Issue (12): 1204-1211 DOI: 10.3772/j.issn.1000-0135.2018.12.004

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于BiLSTM-CRF模型的食品安全事件词性自动标注研究

徐飞^{1, 2}, 叶文豪³, 宋英华^{1, 2}

1. 武汉理工大学管理学院,武汉 430070;
2. 武汉理工大学中国应急管理研究中心,武汉 430070;
3. 南京大学信息管理学院,南京 210023

Part-of-Speech Automated Annotation of Food Safety Events Based on BiLSTM-CRF

Xu Fei^{1, 2}, Ye Wenhao³, Song Yinghua^{1, 2}

1. School of Management, Wuhan University of Technology, Wuhan 430070;
2. China Research Center for Emergency Management, Wuhan University of Technology, Wuhan 430070;
3. School of Information Management, Nanjing University, Nanjing 210023

摘要
图/表
参考文献
相关文章 (1)

全文: PDF (425 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要词性自动标注的准确率和召回率直接影响到后续食品安全事件各个层面知识和应对策略挖掘的整体效果,不仅直接影响食品安全事件中术语、实体抽取的性能,而且在一定程度上决定了与食品安全事件相关的分类、聚类和关联知识挖掘的精准度。本文分别基于CRF、RNN、BiLSTM和BiLSTM-CRF等传统机器学习模型与深度学习模型对食品安全事件文本进行词性自动标注实验。四十组实验结果表明,在未加入任何人工特征的条件下,深度学习模型的标注调和平均值高于传统的条件随机场模型,其中RNN和BiLSTM的调和平均值分别高出了2.43%和3.93%。而有机融合了BiLSTM和条件随机场模型两者最优特征的BiLSTM-CRF模型整体性能达到了最优,其中调和平均值比BiLSTM高出了7.12%,并且其中最优模型的调和平均值达到了95.89%。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	徐飞
	叶文豪
	宋英华

关键词 ：词性标注, 食品安全事件, 深度学习模型, 条件随机场模型

收稿日期: 2018-08-14

基金资助:国家社会科学基金重大项目“基于情报流知识库的我国食品安全技术支撑体系优化策略研究”（15ZDB168）; 江苏省社会科学基金项目“江苏佛造像数字化保存及知识挖掘研究”（18TQB010）

作者简介: 徐飞,男,1983年生,博士研究生,主要研究方向为公共安全与应急管理、文本挖掘、信息分析与评价;叶文豪,男,1994年生,博士研究生,主要研究方向为自然语言处理、文本挖掘研究;宋英华,男,1962年生,教授,博士生导师,主要研究方向为突发事件应急管理,E-mail: song6688c@163.com。

引用本文:

徐飞, 叶文豪, 宋英华. 基于BiLSTM-CRF模型的食品安全事件词性自动标注研究[J]. 情报学报, 2018, 37(12): 1204-1211.
Xu Fei, Ye Wenhao, Song Yinghua. Part-of-Speech Automated Annotation of Food Safety Events Based on BiLSTM-CRF. 情报学报, 2018, 37(12): 1204-1211.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2018.12.004 或 https://qbxb.istic.ac.cn/CN/Y2018/V37/I12/1204

[1] 王娇娇. 我国食品安全监管现状与对策研究[J]. 现代食品, 2016, 3(5): 42-43.
[2] 张星联. 我国食品安全预警数据库系统的建设与实现[J]. 食品科技, 2008, 33(12): 250-254.
[3] 吴云红. 食品监管改革的关键——基于互联网的动态第三方数据库[J]. 食品工业科技, 2009(9): 272-274.
[4] 余清. 加工食品风险数据库的构建思路[J]. 价值工程, 2013(30): 174-175.
[5] 阮伟玲. 四川省彭州市三界镇农民专业合作社调查研究[J]. 北京农业, 2014(3): 247-248.
[6] 王东波, 叶文豪, 吴毅, 等. 基于多特征时间抽取模型的食品安全事件演化序列生成研究[J]. 情报学报, 2017, 36(9): 930- 939.
[7] 张越, 王东波, 朱丹浩. 面向食品安全突发事件汉语分词的特征选择及模型优化研究[J]. 数据分析与知识发现, 2017, 1(2): 64-72.
[8] 奚雪峰, 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报, 2016, 42(10): 1445-1465.
[9] Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J]. Journal of Machine Learning Research, 2011, 12: 2493-2537.
[10] Zheng X, Chen H, Xu T. Deep learning for Chinese word segmentation and POS tagging[C]// Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing, 2013: 647-657.
[11] Bosco A, Laganà D, Musmanno R, et al. Modeling and solving the mixed capacitated general routing problem[J]. Optimization Letters, 2013, 7(7): 1451-1469.
[12] Huang Z, Xu W, Yu K. Bidirectional LSTM-CRF models for sequence tagging[J]. Computer Science, 2015.
[13] Plank B, S?gaard A, Goldberg Y. Multilingual part-of-speech tagging with bidirectional long short-term memory models and auxiliary loss[C]// Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics, 2016: 412-418.
[14] Yang J, Teng Z, Zhang M, et al. Combining Discrete and Neural Features for Sequence Labeling[C]// Proceedings of the International Conference on Intelligent Text Processing and Computational Linguistics. Cham: Springer, 2016: 140-154.
[15] 谢逸, 饶文碧, 段鹏飞, 等. 基于CNN和LSTM混合模型的中文词性标注[J]. 武汉大学学报(理学版), 2017, 63(3): 246-250.
[16] 郑亚楠, 珠杰. 基于词向量的藏文词性标注方法研究[J]. 中文信息学报, 2017, 31(1): 112-117.
[17] 司念文, 王衡军, 李伟. 基于注意力长短时记忆网络的中文词性标注模型[J]. 计算机科学, 2018, 4: 009.
[18] Lafferty J, McCallum A, Pereira,F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data[C]// Proceedings of the Eighteenth International Conference on Machine Learning. Williamstown: WilliamsCollege, 2001: 282-289.
[19] Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533.
[20] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.