[發明專利]命名實體識別方法、裝置、存儲介質及電子設備在審
| 申請號： | 202011636806.1 | 申請日： | 2020-12-31 |
| 公開（公告）號： | CN112749562A | 公開（公告）日： | 2021-05-04 |
| 發明（設計）人： | 張強;丁賈明;方釗;王安寧;楊善林 | 申請（專利權）人： | 合肥工業大學 |
| 主分類號： | G06F40/295 | 分類號： | G06F40/295;G06F40/216;G06F40/126;G06N3/04;G06N5/04 |
| 代理公司： | 北京久誠知識產權代理事務所(特殊普通合伙) 11542 | 代理人： | 余罡 |
| 地址： | 230009 安*** | 國省代碼： | 安徽;34 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 命名 實體 識別 方法 裝置 存儲 介質 電子設備 | ||
1.一種命名實體識別方法，其特征在于，所述方法包括：
獲取專業領域原始數據并構建數據集；
構建BERT-BiLSTM-CRF模型，并利用所述數據集訓練所述BERT-BiLSTM-CRF模型；所述BERT-BiLSTM-CRF模型包括：BERT預訓練模型層、BiLSTM網絡層，以及CRF推理層；
利用訓練后的所述BERT-BiLSTM-CRF模型進行命名實體識別。
2.如權利要求1所述的方法，其特征在于，所述獲取專業領域原始數據并構建數據集包括：
基于社交媒體獲取專業領域原始數據；所述專業領域包括汽車領域；
對所述原始數據進行數據清洗、數據標準化、文本分詞，以及序列標注處理，獲得數據集；
將所述數據集按照一定比例分成訓練集、測試集、驗證集。
3.如權利要求1所述的方法，其特征在于，所述BERT預訓練模型層用于將每個字符進行編碼得到對應字符的字向量；所述BiLSTM網絡層用于將所述字向量組成的序列雙向編碼獲取新的特征向量；所述CRF推理層用于基于所述新的特征向量輸出概率最大的標簽序列。
4.如權利要求2所述的方法，其特征在于，所述方法還包括：
將所述測試集和驗證集輸入到訓練后的所述BERT-BiLSTM-CRF模型進行測試，以評估所述BERT-BiLSTM-CRF模型的性能。
5.一種命名實體識別裝置，其特征在于，所述裝置包括：
數據獲取模塊，用于獲取專業領域原始數據并構建數據集；
模型訓練模塊，用于構建BERT-BiLSTM-CRF模型，并利用所述數據集訓練所述BERT-BiLSTM-CRF模型；所述BERT-BiLSTM-CRF模型包括：BERT預訓練模型層、BiLSTM網絡層，以及CRF推理層；
命名實體識別模塊，用于利用訓練后的所述BERT-BiLSTM-CRF模型進行命名實體識別。
6.如權利要求5所述的裝置，其特征在于，所述數據獲取模塊獲取專業領域原始數據并構建數據集包括：
基于社交媒體獲取專業領域原始數據；所述專業領域包括汽車領域；
對所述原始數據進行數據清洗、數據標準化、文本分詞，以及序列標注處理，獲得數據集；
將所述數據集按照一定比例分成訓練集、測試集、驗證集。
7.如權利要求5所述的裝置，其特征在于，所述模型訓練模塊中所述BERT預訓練模型層用于將每個字符進行編碼得到對應字符的字向量；所述BiLSTM網絡層用于將所述字向量組成的序列雙向編碼獲取新的特征向量；所述CRF推理層用于基于所述新的特征向量輸出概率最大的標簽序列。
8.如權利要求6所述的裝置，其特征在于，所述裝置還包括：模型性能評估模塊，用于將所述測試集和驗證集輸入到訓練后的所述BERT-BiLSTM-CRF模型進行測試，以評估所述BERT-BiLSTM-CRF模型的性能。
9.一種計算機可讀存儲介質，其特征在于，其存儲用于命名實體識別的計算機程序，其中，所述計算機程序使得計算機執行如權利要求1-4任一項所述的命名實體識別方法。
10.一種電子設備，其特征在于，包括：
一個或多個處理器；
存儲器；以及
一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置成由所述一個或多個處理器執行，所述程序包括用于執行如權利要求1-4任一項所述的命名實體識別方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于合肥工業大學，未經合肥工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011636806.1/1.html，轉載請聲明來源鉆瓜專利網。
