深度学习中文命名实体识别研究综述

针对目前中文命名实体识别研究集中在输入文本的特征的提取,且输入的嵌入表示直接影响模型的性能这一特点,从背景知识、研究现状和未来发展等方面对中文命名实体识别的研究展开全面的调查．回顾了命名实体识别的发展进程,解释中文命名实体识别的研究难点,归纳不同的研究方法,分为基于字的模型、基于词的模型和基于字-词的模型;介绍目前中文命名实体识别的主流数据集、标注方法和评价指标,从不同角度分析了各数据集的特点;讨论了近几年深度学习技术在中文命名实体识别中的最新研究进展,介绍各分类下具有代表性的模型及性能对比,分析性能优劣原因;总结了中文命名实体识别当下所面临的一些挑战,讨论了未来更具有研究价值的方向,促进中文命名实体识别的进一步发展．     

融合多因素的多实体政策网络链路预测算法

政策文本为社会的发展提供了权威性和原则性的方向和指导,但由于政策文本间关系错综复杂、政策实体间潜在连接关系隐性等,导致政策信息准确获取困难、理解不全面等.针对上述特点以及现有研究大多集中于单一类型政策实体及关系分析,难以全面准确地刻画政策间多类实体潜在关系的不足,提出了一种融合节点相似和属性偏好的多实体政策网络链路预测算法LP-NA.LP-NA综合考虑了节点之间的相似性、节点属性偏好对预测概率的贡献和预测偏差对链接预测的影响,采用反映局部信息的链接聚类系数和全局信息的接近中心性计算节点相似度,构建原始权重矩阵,并将政策网络的节点属性偏好和预测偏离值加入矩阵分解框架中,对网络中已知连边信息进行综合计算,提升了实体间链路预测精度.在7个真实多实体政策网络数据集上的实验结果表明：与现有算法相比,提出的LP-NA算法将AUC最大分别提升了4.76%、4.20%、2.81%、3.08%、3.25%、4.59%、3.03%.