[發明專利]一種基于深度學習的地理信息的識別方法及裝置

有效

• 申請號: 201811448679.5
• 申請日: 2018-11-28
• 公開（公告）號: CN109614457B
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 凌廣明;穆曉峰;徐愛萍;徐武平
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06N3/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種基于深度學習的地理信息的識別方法，其特征在于，包括：

步驟S1：獲取包含地理信息的原始數據；

步驟S2：對原始數據進行預處理，預處理包括數據的篩選、清洗；

步驟S3：對預處理后數據進行標注，形成語料庫；

步驟S4：將語料庫輸入深度學習模型，對深度學習模型進行訓練，其中，深度學習模型為BiLSTM+CRF+AGG，包括特征嵌入層、雙向LSTM層、BiLSTM輸出層、CRF層、擬輸出層、聚合層和最終輸出層，AGG為增加的聚合層；

步驟S5：將待處理的包含地理信息的數據輸入訓練后的深度學習模型，并通過聚合層對同一類型的相鄰實體進行聚合，進而獲得識別結果，識別結果中包括地理位置信息和小區信息；

其中，步驟S5中，采用組件技術將訓練后的深度學習模型進行封裝，應用于開發環境中，組件技術采用共享內存和共享文件兩種機制；組件技術包括構建一級組件，一級組件的接口包括：啟動服務、停止服務、單條數據預測、服務狀態判斷、批量數據預測、批量預測是否完成；

組件技術還包括構建二級組件，二級組件的接口包括：啟動服務、停止服務、單條數據預測、服務狀態判斷、批量數據預測、批量預測是否完成、是否激活、解析、返回預測結果和設定超時。

2.如權利要求1所述的方法，其特征在于，步驟S3具體包括：

采用自動標注與人工調整相結合的方式對預處理后的數據進行標注，形成預料庫。

3.如權利要求1所述的方法，其特征在于，在步驟S5之后，所述方法還包括：

對識別結果中的地理信息進行定位分區。

4.一種基于深度學習的地理信息的識別裝置，其特征在于，包括：

獲取模塊，用于獲取包含地理信息的原始數據；

預處理模塊，用于對原始數據進行預處理，預處理包括數據的篩選、清洗；

標注模塊，用于對預處理后數據進行標注，形成語料庫；

訓練模塊，用于將語料庫輸入深度學習模型，對深度學習模型進行訓練，其中，深度學習模型為BiLSTM+CRF+AGG，包括特征嵌入層、雙向LSTM層、BiLSTM輸出層、CRF層、擬輸出層、聚合層和最終輸出層，AGG為增加的聚合層；

識別模塊，用于將待處理的包含地理信息的數據輸入訓練后的深度學習模型，并通過聚合層對同一類型的相鄰實體進行聚合，進而獲得識別結果，識別結果中包括地理位置信息和小區信息；

其中，識別模塊中，采用組件技術將訓練后的深度學習模型進行封裝，應用于開發環境中，組件技術采用共享內存和共享文件兩種機制；組件技術包括構建一級組件，一級組件的接口包括：啟動服務、停止服務、單條數據預測、服務狀態判斷、批量數據預測、批量預測是否完成；

組件技術還包括構建二級組件，二級組件的接口包括：啟動服務、停止服務、單條數據預測、服務狀態判斷、批量數據預測、批量預測是否完成、是否激活、解析、返回預測結果和設定超時。

5.如權利要求4所述的裝置，其特征在于，標注模塊具體用于：

采用自動標注與人工調整相結合的方式對預處理后的數據進行標注，形成預料庫。

6.如權利要求4所述的裝置，其特征在于，還包括定位分區模塊，用于：

對識別結果中的地理信息進行定位分區。

7.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被執行時實現如權利要求1至3中任一項權利要求所述的方法。