[發明專利]一種基于命名實體識別的深度學習模型訓練方法

在審

• 申請號: 202211454139.4
• 申請日: 2022-11-21
• 公開（公告）號: CN115577711A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 焦東保;彭秀東
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06N3/04;G06N3/08
• 代理公司: 常州中潤迅達專利代理事務所(普通合伙) 32624
• 代理人: 曹誠

本發明公開了一種基于命名實體識別的深度學習模型訓練方法,該方法包括：對多種命名實體進行實時采集，確定所有深度學習模型訓練命名實體采集時間以及信息抓取對命名實體的采集方式及流程；對多種命名實體進行識別，利用基于卷積神經網絡的深度學習模型訓練算法對識別后的命名實體進行特征命名實體提取，所述特征命名實體為：單位時間內命名實體的平均值；利用與基于卷積神經網絡的深度學習模型訓練算法對應的特征命名實體及所述特征命名實體的字符長度，確定用基于卷積神經網絡的深度學習模型訓練算法訓練識別命名實體時得到的不同層級深度學習模型訓練輸出；該方法可以有效提高命名實體傳輸效率，保證命名實體傳輸的穩定性。

技術領域

本發明屬于命名實體識別領域，具體涉及一種基于命名實體識別的深度學習模型訓練方法及裝置。

背景技術

命名實體(named entity)，是指某領域內的具有特定意義或者代表性強的實體詞，如新聞領域的事件名、地點名、人物名等，命名實體識別(Named Entity Recognition，簡稱NER)，是指識別文本中具有特定意義的實體，主要包括人名、地名、機構名、專有名詞等，目前，主要是將命名實體識別轉化為機器學習中的一個有監督學習的問題進行處理，通過建立統計學習模型或者深度學習模型并進行模型的訓練，最后得到命名實體識別結果。

其中，有監督學習的命名實體識別模型的訓練依賴大規模的識別語料，通常識別語料是由人為主動識別獲得的，識別語料獲取成本高，且需要大量的識別語料才能訓練得到可用的命名實體識別模型，在獲得大量的識別語料前，無法開展工作，相當于將開發成本轉嫁到語料的識別上，整體開發效率低。

目前針對相關技術中有監督學習的命名實體識別模型的訓練依賴大規模的識別語料，導致識別成本高且開發效率低的問題，尚未提出有效的解決方案。

發明內容

本發明提供一種基于命名實體識別的深度學習模型訓練方法，以克服目前命名實體識別成本高且開發效率低的問題。

步驟A1：對多種命名實體進行實時采集，確定所有深度學習模型訓練命名實體采集時間以及信息抓取對命名實體的采集方式及流程；

步驟A2：對多種命名實體進行識別，利用基于卷積神經網絡的深度學習模型訓練算法對識別后的命名實體進行特征命名實體提取，所述特征命名實體為：單位時間內命名實體的平均值；

步驟A3：利用與基于卷積神經網絡的深度學習模型訓練算法對應的特征命名實體及所述特征命名實體的字符長度，確定用基于卷積神經網絡的深度學習模型訓練算法訓練識別命名實體時得到的不同層級深度學習模型訓練輸出；

步驟A4：利用得到的不同層級深度學習模型訓練輸出，確定對命名實體識別深度學習模型訓練的時間；

步驟A5：利用所述基于卷積神經網絡的深度學習模型訓練算法，深度學習模型訓練識別命名實體，同時產生命名實體特征函數的解和命名實體增補函數的解。

進一步地，在產生命名實體特征函數的解和命名實體增補函數的解之后，還包括：

將所述特征命名實體、所述特征命名實體的字符長度、所述基于卷積神經網絡的深度學習模型訓練算法的算法標志增補到待傳輸的命名實體頭部；及將所述命名實體特征函數的解及所述命名實體增補函數的解增補到待傳輸的命名實體中部；將所述待傳輸的命名實體發送至遠程云服務器。

進一步地，所述利用所述基于卷積神經網絡的深度學習模型訓練算法，深度學習模型訓練識別命名實體，同時產生命名實體特征函數的解和命名實體增補函數的解，包括：

以所述特征命名實體的字符長度為深度學習模型訓練識別命名實體時的特定長度標準；