Semi-Markov Conditional Random Fields for Information Extraction
Semi-Markov Conditional Random Fields for Information Extraction
复制标题
DOI：
--
复制
发表时间：
2004-12
期刊：
影响因子：
--
通讯作者：
Sunita Sarawagi;William W. Cohen
中科院分区：
文献类型：
--
作者：
Sunita Sarawagi;William W. Cohen
我们描述了半马尔可夫条件随机场（semi-CRF），这是半马尔可夫链的条件训练版本。直观上，输入序列 x 上的半 CRF 输出 x 的“分段”，其中标签被分配给 x 的分段（即子序列），而不是 x 的各个元素 xi 。重要的是，半 CRF 的特征可以测量片段的属性，并且片段内的转换可以是非马尔可夫的。尽管有这种额外的能力，半 CRF 的精确学习和推理算法是多项式时间的——通常只比传统 CRF 慢一个小的常数因子。在五个命名实体识别问题的实验中，半 CRF 通常优于传统 CRF。
We describe semi-Markov conditional random fields (semi-CRFs), a conditionally trained version of semi-Markov chains. Intuitively, a semi-CRF on an input sequence x outputs a "segmentation" of x, in which labels are assigned to segments (i.e., subsequences) of x rather than to individual elements xi of x. Importantly, features for semi-CRFs can measure properties of segments, and transitions within a segment can be non-Markovian. In spite of this additional power, exact learning and inference algorithms for semi-CRFs are polynomial-time—often only a small constant factor slower than conventional CRFs. In experiments on five named entity recognition problems, semi-CRFs generally outperform conventional CRFs.