Nlp NER的线性CRF与Word2Vec
我读了很多关于线性CRF和Word2Vec的书，想知道哪一个是最好的命名实体识别。我使用斯坦福NER（一种线性CRF实现）训练了我的模型，获得了85%的精度。我知道Word2vec将相似的单词组合在一起，但这是一个很好的模式吗？CRF和Word2vec是苹果和桔子，所以比较它们真的没有意义 CRF用于序列标签问题，如NER。给定一个项目序列，表示为特征并与标签配对，他们将学习一个模型来预测新序列的标签 Word2vec的字嵌入是将字表示为浮点数的向量。他们自己不会预测任何事情。您甚至可以使用单词向量来构建CRF中的特征，尽管更典型的是将它们用于像LSTM这样的神经模型 有些人成功地将单词向量与CRF结合使用。有关在CRF中使用词向量的一些讨论，请参见和 请注意，对于许多标准的CRF实现，功能应该是二进制的或分类的，而不是连续的，因此您通常不能像其他功能那样只插入单词向量Nlp NER的线性CRF与Word2Vec,nlp,named-entity-recognition,Nlp,Named Entity Recognition,我读了很多关于线性CRF和Word2Vec的书，想知道哪一个是最好的命名实体识别。我使用斯坦福NER（一种线性CRF实现）训练了我的模型，获得了85%的精度。我知道Word2vec将相似的单词组合在一起，但这是一个很好的模式吗？CRF和Word2vec是苹果和桔子，所以比较它们真的没有意义 CRF用于序列标签问题，如NER。给定一个项目序列，表示为特征并与标签配对，他们将学习一个模型来预测新序列的标签 Word2vec的字嵌入是将字表示为浮点数的向量。他们自己不会预测任何事情。您甚至可以使用单词
如果你想知道哪一个更适合你的用例，唯一的办法就是两者都试一下。对于典型的NER任务，线性CRF是一种流行的方法，而Word2Vec是一种可以用来提高CRF系统性能的功能 在2014年（）中，作者比较了在基于CRF的NER系统中整合Word2Vec输出的多种方式，包括密集嵌入、组合嵌入、集群嵌入，以及一种新的原型方法
我在我的领域特定的NER项目中实现了原型思想，它对我来说非常有效 这很有道理！