融合多粒度特征的老挝语词性标注研究

词性标注是自然语言处理领域的基础任务之一。语料稀缺、词形复杂、存在大量低频词和未登录词，句式较长，在数据传递过程中信息易丢失，这些都是导致老挝语词性标注不准确的主要原因。因此，该文提出一种融合多粒度特征的老挝语词性标注方法，构建了融合老挝词、字符和音节特征的Transformer-CRF模型。首先，在传统词向量的基础上融合老挝语字符和音节特征向量，使模型在三个粒度级别上充分利用语料信息；其次，使用Transformer对老挝语句子进行长远上下文信息提取，解决重要信息丢失问题；最后，使用CRF提取相邻词性约束关系，从而获取最优词性标签。实验结果表明，在语料有限的情况下，该模型与其他主流模型相比达到了更显著的效果，精确率、召回率和F₁值分别为94.76%、93.93%、94.34%。