Named Entity Recognition Architecture Combining Contextual and Global Features

Das Kapitel vertieft sich in die Fortschritte der Named Entity Recognition (NER) durch die Integration kontextueller und globaler Merkmale. Es führt eine gemeinsame Architektur ein, die die kontextuellen Merkmale von XLNet mit den globalen Merkmalen von Graph Convolutional Networks (GCN) kombiniert, um die Leistung von NER zu steigern. Die Autoren präsentieren umfangreiche Experimente zum CoNLL 2003-Datensatz, die zeigen, dass ihr Ansatz Systeme übertrifft, die nur kontextabhängige oder globale Merkmale verwenden. Die Methodik beinhaltet die Extraktion globaler Merkmale mittels GCN und kontextabhängiger Merkmale mittels XLNet, die dann zu einer linearen Ebene zusammengefügt werden. Das Kapitel behandelt auch verwandte Arbeiten in der NERS, darunter regelbasiertes, unbeaufsichtigtes Lernen, funktionsbasiertes, überwachtes Lernen und tiefes Lernen. Die Autoren heben die Bedeutung von Worteinbettungen bei der Erfassung aussagekräftiger Informationen aus Textdaten hervor und vergleichen ihren Ansatz mit modernsten Techniken. Die Ergebnisse zeigen, dass ihr vorgeschlagenes Modell im Vergleich zu bestehenden Benchmarks eine wettbewerbsfähige Leistung erzielt, was das Potenzial unterstreicht, globale und kontextbezogene Merkmale für eine verbesserte Leistung der NERs zu kombinieren.