CN111177414A - 一种实体预标注方法和装置以及设备 - Google Patents
一种实体预标注方法和装置以及设备 Download PDFInfo
- Publication number
- CN111177414A CN111177414A CN201911418886.0A CN201911418886A CN111177414A CN 111177414 A CN111177414 A CN 111177414A CN 201911418886 A CN201911418886 A CN 201911418886A CN 111177414 A CN111177414 A CN 111177414A
- Authority
- CN
- China
- Prior art keywords
- entity
- labeling
- training
- database
- marking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000002457 bidirectional effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种实体预标注方法和装置以及设备。其中，所述方法包括：构建典型的实体标注数据库，和根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词，和根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，以及根据该训练得到的实体预标注模型，对待标注实体进行预标注。通过上述方式，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
Description
技术领域
本发明涉及实体标注技术领域，尤其涉及一种实体预标注方法和装置以及设备。
背景技术
BERT(Bidirectional Encoder Representation from Transformers，变换器的双向编码器表征量)是从2018年开始大火的预训练语言模型，通过预训练大规模语料，学习语言文本中文本表征。
NER(Named Entity Recognition，命名实体识别)又称作专名识别，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。在对话系统中，命名实体识别作为重要的信息抽取工具，需要抽取特定领域的特定实体类别，因此需要大量的人工标注此类特定领域的实体，人工标注的质量很大程度上决定了模型训练的结果。
然而，现有的实体预标注方案，一般是以人工对实体进行预标注，人工成本高，而且人工预标注时很难覆盖到实体的大量的语料和实体类别。
发明内容
有鉴于此，本发明的目的在于提出一种实体预标注方法和装置以及设备，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
根据本发明的一个方面，提供一种实体预标注方法，包括：构建典型的实体标注数据库；根据所述构建的典型的实体标注数据库，对所述实体标注数据库中的实体标示实体类别与对应所述实体类别的关键词；根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型；根据所述训练得到的实体预标注模型，对待标注实体进行预标注。
其中，所述构建典型的实体标注数据库，包括：采用对实体标注抽取重要类别、不同长度文本和常见错别字文本方式，构建典型的实体标注数据库。
其中，所述根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，包括：根据所述标示的实体类别与对应所述实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
其中，在所述根据所述训练得到的实体预标注模型，对待标注实体进行预标注之后，还包括：采用数据扩充的方式，对所述预标注后的实体数据进行优化。
根据本发明的另一个方面，提供一种实体预标注装置，包括：构建模块、标示模块、训练模块和预标注模块；所述构建模块，用于构建典型的实体标注数据库；所述标示模块，用于根据所述构建的典型的实体标注数据库，对所述实体标注数据库中的实体标示实体类别与对应所述实体类别的关键词；所述训练模块，用于根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型；所述预标注模块，用于根据所述训练得到的实体预标注模型，对待标注实体进行预标注。
其中，所述构建模块，具体用于：采用对实体标注抽取重要类别、不同长度文本和常见错别字文本方式，构建典型的实体标注数据库。
其中，所述训练模块，具体用于：根据所述标示的实体类别与对应所述实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
其中，所述实体预标注装置，还包括：优化模块；所述优化模块，用于采用数据扩充的方式，对所述预标注后的实体数据进行优化。
根据本发明的又一个方面，提供一种实体预标注设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的实体预标注方法。
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的实体预标注方法。
可以发现，以上方案，可以构建典型的实体标注数据库，和可以根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词，和可以根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，以及可以根据该训练得到的实体预标注模型，对待标注实体进行预标注，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
进一步的，以上方案，可以采用对实体标注抽取重要类别、不同长度文本和常见错别字文本等方式，构建典型的实体标注数据库，这样的好处是能够实现构建典型的实体标注数据库，能够通过该构建的典型的实体标注数据库，确保实体预标注数据潜在的预标注准确性。
进一步的，以上方案，可以根据该标示的实体类别与对应该实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，这样的好处是能够通过该结合的变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，提高该训练得到的实体预标注模型对实体预标注的准确率。
进一步的，以上方案，可以采用数据扩充的方式，对该预标注后的实体数据进行优化，这样的好处是能够实现通过该数据扩充方式提高对该预标注后的实体数据中预标注效果不达标的实体数据的预标注达标效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实体预标注方法一实施例的流程示意图；
图2是本发明实体预标注方法另一实施例的流程示意图；
图3是本发明实体预标注装置一实施例的结构示意图；
图4是本发明实体预标注装置另一实施例的结构示意图；
图5是本发明实体预标注设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种实体预标注方法，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
请参见图1，图1是本发明实体预标注方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：构建典型的实体标注数据库。
其中，该构建典型的实体标注数据库，可以包括：
采用对实体标注抽取重要类别、不同长度文本和常见错别字文本等方式，构建典型的实体标注数据库，这样的好处是能够实现构建典型的实体标注数据库，能够通过该构建的典型的实体标注数据库，确保实体预标注数据潜在的预标注准确性。
S102：根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词。
在本实施例中，例如常见的医美领域实体类别可以包括：项目、材料、症状、技术、操作等。而这些实体类别本身的关键词都有一定的特征，比如：操作主要是“填充”、“打”这类动词，项目主要是“丰胸”、“吸脂”这类动词加名词，本发明不加以限定。
S103：根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
其中，该根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，可以包括：
根据该标示的实体类别与对应该实体类别的关键词，结合变换器的双向编码器表征量、BiLSTM(Bi-directional Long Short-Term Memory，卷积神经网络和双向长短时记忆特征融合)以及CRF(conditional random field，条件随机场)方式，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，这样的好处是能够通过该结合的变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，提高该训练得到的实体预标注模型对实体预标注的准确率。
S104：根据该训练得到的实体预标注模型，对待标注实体进行预标注。
在本实施例中，可以根据该训练得到实体预标注模型，采用自动抽取方式，对待标注实体进行预标注，也可以采用其它方式，对待标注实体进行预标注等，本发明不加以限定。
其中，在该根据该训练得到的实体预标注模型，对待标注实体进行预标注之后，还可以包括：
采用数据扩充的方式，对该预标注后的实体数据进行优化，这样的好处是能够实现通过该数据扩充方式提高对该预标注后的实体数据中预标注效果不达标的实体数据的预标注达标效果。
可以发现，在本实施例中，可以构建典型的实体标注数据库，和可以根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词，和可以根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，以及可以根据该训练得到的实体预标注模型，对待标注实体进行预标注，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
进一步的，在本实施例中，可以采用对实体标注抽取重要类别、不同长度文本和常见错别字文本等方式，构建典型的实体标注数据库，这样的好处是能够实现构建典型的实体标注数据库，能够通过该构建的典型的实体标注数据库，确保实体预标注数据潜在的预标注准确性。
进一步的，在本实施例中，可以根据该标示的实体类别与对应该实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，这样的好处是能够通过该结合的变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，提高该训练得到的实体预标注模型对实体预标注的准确率。
请参见图2，图2是本发明实体预标注方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：
S201：构建典型的实体标注数据库。
可如上S101所述，在此不作赘述。
S202：根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词。
可如上S102所述，在此不作赘述。
S203：根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
可如上S103所述，在此不作赘述。
S204：根据该训练得到的实体预标注模型，对待标注实体进行预标注。
可如上S104所述，在此不作赘述。
S205：采用数据扩充的方式，对该预标注后的实体数据进行优化。
可以发现，在本实施例中，可以采用数据扩充的方式，对该预标注后的实体数据进行优化，这样的好处是能够实现通过该数据扩充方式提高对该预标注后的实体数据中预标注效果不达标的实体数据的预标注达标效果。
本发明还提供一种实体预标注装置，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
请参见图3，图3是本发明实体预标注装置一实施例的结构示意图。本实施例中，该实体预标注装置30包括构建模块31、标示模块32、训练模块33和预标注模块34。
该构建模块31，用于构建典型的实体标注数据库。
该标示模块32，用于根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词。
该训练模块33，用于根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
该预标注模块34，用于根据该训练得到的实体预标注模型，对待标注实体进行预标注。
可选地，该构建模块31，可以具体用于：
采用对实体标注抽取重要类别、不同长度文本和常见错别字文本等方式，构建典型的实体标注数据库。
可选地，该训练模块33，可以具体用于：
根据该标示的实体类别与对应该实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
请参见图4，图4是本发明实体预标注装置另一实施例的结构示意图。区别于上一实施例，本实施例所述实体预标注装置40还包括优化模块41。
该优化模块41，用于采用数据扩充的方式，对该预标注后的实体数据进行优化。
该实体预标注装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明又提供一种实体预标注设备，如图5所示，包括：至少一个处理器51；以及，与至少一个处理器51通信连接的存储器52；其中，存储器52存储有可被至少一个处理器51执行的指令，指令被至少一个处理器51执行，以使至少一个处理器51能够执行上述的实体预标注方法。
其中，存储器52和处理器51采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器51和存储器52的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器51处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器51。
处理器51负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器52可以被用于存储处理器51在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现，以上方案，可以构建典型的实体标注数据库，和可以根据该构建的典型的实体标注数据库，对该实体标注数据库中的实体标示实体类别与对应该实体类别的关键词，和可以根据该标示的实体类别与对应该实体类别的关键词，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，以及可以根据该训练得到的实体预标注模型，对待标注实体进行预标注，能够实现无需人工能够自动对实体进行预标注，自动进行实体预标注时能够覆盖到实体的所有语料和实体类别。
进一步的，以上方案，可以采用对实体标注抽取重要类别、不同长度文本和常见错别字文本等方式，构建典型的实体标注数据库，这样的好处是能够实现构建典型的实体标注数据库，能够通过该构建的典型的实体标注数据库，确保实体预标注数据潜在的预标注准确性。
进一步的，以上方案，可以根据该标示的实体类别与对应该实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对该实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，这样的好处是能够通过该结合的变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，提高该训练得到的实体预标注模型对实体预标注的准确率。
进一步的，以上方案，可以采用数据扩充的方式，对该预标注后的实体数据进行优化，这样的好处是能够实现通过该数据扩充方式提高对该预标注后的实体数据中预标注效果不达标的实体数据的预标注达标效果。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种实体预标注方法，其特征在于，包括：
构建典型的实体标注数据库；
根据所述构建的典型的实体标注数据库，对所述实体标注数据库中的实体标示实体类别与对应所述实体类别的关键词；
根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型；
根据所述训练得到的实体预标注模型，对待标注实体进行预标注。
2.如权利要求1所述的实体预标注方法，其特征在于，所述构建典型的实体标注数据库，包括：
采用对实体标注抽取重要类别、不同长度文本和常见错别字文本方式，构建典型的实体标注数据库。
3.如权利要求1所述的实体预标注方法，其特征在于，所述根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型，包括：
根据所述标示的实体类别与对应所述实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
4.如权利要求1所述的实体预标注方法，其特征在于，在所述根据所述训练得到的实体预标注模型，对待标注实体进行预标注之后，还包括：
采用数据扩充的方式，对所述预标注后的实体数据进行优化。
5.一种实体预标注装置，其特征在于，包括：
构建模块、标示模块、训练模块和预标注模块；
所述构建模块，用于构建典型的实体标注数据库；
所述标示模块，用于根据所述构建的典型的实体标注数据库，对所述实体标注数据库中的实体标示实体类别与对应所述实体类别的关键词；
所述训练模块，用于根据所述标示的实体类别与对应所述实体类别的关键词，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型；
所述预标注模块，用于根据所述训练得到的实体预标注模型，对待标注实体进行预标注。
6.如权利要求5所述的实体预标注装置，其特征在于，所述构建模块，具体用于：
采用对实体标注抽取重要类别、不同长度文本和常见错别字文本方式，构建典型的实体标注数据库。
7.如权利要求5所述的实体预标注装置，其特征在于，所述训练模块，具体用于：
根据所述标示的实体类别与对应所述实体类别的关键词，结合变换器的双向编码器表征量、卷积神经网络和双向长短时记忆特征融合以及条件随机场方式，对所述实体标注数据库中的实体进行实体预标注模型训练，训练得到实体预标注模型。
8.如权利要求5所述的实体预标注装置，其特征在于，所述实体预标注装置，还包括：
优化模块；
所述优化模块，用于采用数据扩充的方式，对所述预标注后的实体数据进行优化。
9.一种实体预标注设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的实体预标注方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的实体预标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911418886.0A CN111177414A (zh) | 2019-12-31 | 2019-12-31 | 一种实体预标注方法和装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911418886.0A CN111177414A (zh) | 2019-12-31 | 2019-12-31 | 一种实体预标注方法和装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111177414A true CN111177414A (zh) | 2020-05-19 |
Family
ID=70623796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911418886.0A Pending CN111177414A (zh) | 2019-12-31 | 2019-12-31 | 一种实体预标注方法和装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111177414A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113742444A (zh) * | 2021-07-08 | 2021-12-03 | 平安科技（深圳）有限公司 | 文本标注方法、装置、存储介质及计算机设备 |
| CN113808752A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医学文档识别方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8244726B1 (en) * | 2004-08-31 | 2012-08-14 | Bruce Matesso | Computer-aided extraction of semantics from keywords to confirm match of buyer offers to seller bids |
| CN106569998A (zh) * | 2016-10-27 | 2017-04-19 | 浙江大学 | 一种基于Bi‑LSTM、CNN和CRF的文本命名实体识别方法 |
| CN109190110A (zh) * | 2018-08-02 | 2019-01-11 | 厦门快商通信息技术有限公司 | 一种命名实体识别模型的训练方法、系统及电子设备 |
| CN110134772A (zh) * | 2019-04-18 | 2019-08-16 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
-
2019
- 2019-12-31 CN CN201911418886.0A patent/CN111177414A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8244726B1 (en) * | 2004-08-31 | 2012-08-14 | Bruce Matesso | Computer-aided extraction of semantics from keywords to confirm match of buyer offers to seller bids |
| CN106569998A (zh) * | 2016-10-27 | 2017-04-19 | 浙江大学 | 一种基于Bi‑LSTM、CNN和CRF的文本命名实体识别方法 |
| CN109190110A (zh) * | 2018-08-02 | 2019-01-11 | 厦门快商通信息技术有限公司 | 一种命名实体识别模型的训练方法、系统及电子设备 |
| CN110134772A (zh) * | 2019-04-18 | 2019-08-16 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王子牛: ""基于BERT的中文命名实体识别方法"", 《计算机科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808752A (zh) * | 2020-12-04 | 2021-12-17 | 四川医枢科技股份有限公司 | 一种医学文档识别方法、装置及设备 |
| CN113742444A (zh) * | 2021-07-08 | 2021-12-03 | 平安科技（深圳）有限公司 | 文本标注方法、装置、存储介质及计算机设备 |
| CN113742444B (zh) * | 2021-07-08 | 2024-05-28 | 平安科技（深圳）有限公司 | 文本标注方法、装置、存储介质及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190110B (zh) | 一种命名实体识别模型的训练方法、系统及电子设备 | |
| CN107204184A (zh) | 语音识别方法及系统 | |
| CN103823796A (zh) | 一种翻译系统及翻译方法 | |
| CN111695344B (zh) | 文本的标注方法和装置 | |
| DE102018007165A1 (de) | Vorhersage von stilbrüchen innerhalb eines textinhalts | |
| CN105930432B (zh) | 序列标注工具的训练方法和装置 | |
| CN105593845A (zh) | 基于自学排列的排列语料库的生成装置及其方法、使用排列语料库的破坏性表达语素分析装置及其语素分析方法 | |
| CN106294635A (zh) | 应用程序搜索方法、深度神经网络模型的训练方法及装置 | |
| CN111177414A (zh) | 一种实体预标注方法和装置以及设备 | |
| CN112257462A (zh) | 一种基于神经机器翻译技术的超文本标记语言翻译方法 | |
| CN116303537A (zh) | 数据查询方法及装置、电子设备、存储介质 | |
| CN111178098B (zh) | 一种文本翻译方法、装置、设备及计算机可读存储介质 | |
| CN116595138A (zh) | 知识问答方法、装置、设备及存储介质 | |
| CN116796726A (zh) | 简历解析方法、装置、终端设备及介质 | |
| CN111985251B (zh) | 翻译质量测评方法及装置 | |
| CN109657043B (zh) | 自动生成文章的方法、装置、设备及存储介质 | |
| CN114141384A (zh) | 用于检索医学数据的方法、设备和介质 | |
| CN105260396A (zh) | 字词检索方法和装置 | |
| CN114254658A (zh) | 翻译评测训练数据的生成方法及装置、设备和存储介质 | |
| CN111274813A (zh) | 语言序列标注方法、装置存储介质及计算机设备 | |
| CN113779934A (zh) | 多模态信息提取方法、装置、设备及计算机可读存储介质 | |
| CN113283231A (zh) | 获取签章位的方法、设置系统、签章系统及存储介质 | |
| CN111062193B (zh) | 医疗数据标注方法及装置、存储介质、电子设备 | |
| CN117725167A (zh) | 基于大语言模型的qa抽取方法，电子设备及存储介质 | |
| CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |