CN112395882B - 用于命名实体识别的方法、电子设备和存储介质 - Google Patents
用于命名实体识别的方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112395882B CN112395882B CN202011416137.7A CN202011416137A CN112395882B CN 112395882 B CN112395882 B CN 112395882B CN 202011416137 A CN202011416137 A CN 202011416137A CN 112395882 B CN112395882 B CN 112395882B
- Authority
- CN
- China
- Prior art keywords
- character
- sequence
- generating
- semantic feature
- word
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000015654 memory Effects 0.000 claims abstract description 20
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本公开的实施例涉及用于命名实体识别的方法、设备和存储介质,涉及信息处理领域。根据该方法,生成与命名实体集相关联的字符向量集和词语向量集;生成包括查询词中的多个字符和多个第一词语的第一序列;基于命名实体集、字符向量集和词语向量集,生成第二序列,所述第二序列包括多个字符编码结果和多个第一词语编码结果;基于双向长短期记忆网络和第二序列,生成第一语义特征序列;对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果;基于第一语义特征序列、多个相对位置编码结果和自注意力网络,生成第二语义特征序列;以及基于第二语义特征序列和条件随机场网络,确定多个命名实体标签。由此,能够提高实体识别准确度。
Description
技术领域
本公开的实施例总体涉及信息处理领域,具体涉及用于命名实体识别的方法、电子设备和计算机存储介质。
背景技术
命名实体识别(NER)是初步且重要的自然语言处理(NLP)中的任务,NER任务的主要目的是从非结构化文本中识别人的名字,地点,组织和日期等作为实体。产品名称、品牌等是工业领域非常重要的实体,提取产品名称等实体对于工业界的搜索、推荐、排序等场景或算法优化很有帮忙。
目前中文实体识别模型主要通过使用字符级特征和扩充语料数据的方式优化识别效果;对于MRO(Maintenance、Repair、Operation)行业语料数据较少,通用模型存在过大或过小的问题,从而使得识别效果不佳。
发明内容
提供了一种用于命名实体识别的方法、电子设备以及计算机存储介质,能够提高命名实体识别准确度。
根据本公开的第一方面,提供了一种用于命名实体识别的方法。该方法包括:生成与命名实体集相关联的字符向量集和词语向量集;生成包括查询词中的多个字符和多个第一词语的第一序列;基于命名实体集、字符向量集和词语向量集,生成第二序列,第二序列包括与多个字符相关联的多个字符编码结果和与多个第一词语相关联的多个第一词语编码结果;基于双向长短期记忆网络和第二序列,生成第一语义特征序列,第一语义特征序列包括与所述多个字符相关联的多个语义特征和与多个第一词语相关联的多个语义特征;对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果;基于第一语义特征序列、多个相对位置编码结果和自注意力网络,生成第二语义特征序列,第二语义特征序列包括多个自注意力特征;以及基于第二语义特征序列、残差层和条件随机场网络,确定与查询词相关联的多个命名实体标签。
根据本公开的第二方面,提供了一种电子设备。该电子设备包括:至少一个处理器,以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据第一方面所述的方法。
在本公开的第三方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1是根据本公开的实施例的信息处理环境100的示意图。
图2是根据本公开的实施例的用于命名实体识别的方法200的示意图。
图3是根据本公开的实施例的用于生成多个字符编码结果的方法300的示意图。
图4是根据本公开的实施例的用于对第一序列中的两两元素进行相对位置编码的方法400的示意图。
图5是根据本公开的实施例的命名实体识别模型500的示意框图。
图6是用来实现本公开实施例的用于命名实体识别的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,MRO行业语料数据较少,通用模型存在过大或过小的问题,从而使得命名实体识别效果不佳。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于命名实体识别的方案。在该方案中,生成与命名实体集相关联的字符向量集和词语向量集;生成包括查询词中的多个字符和多个第一词语的第一序列;基于命名实体集、字符向量集和词语向量集,生成第二序列,第二序列包括与多个字符相关联的多个字符编码结果和与多个第一词语相关联的多个第一词语编码结果;基于双向长短期记忆网络和第二序列,生成第一语义特征序列,第一语义特征序列包括与所述多个字符相关联的多个语义特征和与多个第一词语相关联的多个语义特征;对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果;基于第一语义特征序列、多个相对位置编码结果和自注意力网络,生成第二语义特征序列,第二语义特征序列包括多个自注意力特征;以及基于第二语义特征序列、残差层和条件随机场网络,确定与查询词相关联的多个命名实体标签。以此方式,能够融合字符级特征、词语级特征、字符和/或词语之间的相对位置特征等多个特征,提高命名实体识别的准确率。
在下文中,将结合附图更详细地描述本方案的具体示例。
图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、命名实体集120、查询词130和多个命名实体标签140。
计算设备110例如包括但不限于个人计算机、台式计算机、膝上型计算机、平板计算机、服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中,计算设备110可以具有一个或多个处理单元,包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。
命名实体集120可以包括多个命名实体,命名实体例如包括但不限于产品标识、品牌标识等。命名实体集120例如可以是基于从网络获取的商品数据或者历史商品数据中提取的。此外,命名实体集120中的命名实体例如可以经过BMSE标注体系进行标注。
计算设备110用于生成与命名实体集120相关联的字符向量集和词语向量集;生成包括查询词130中的多个字符和多个第一词语的第一序列;基于命名实体集120、字符向量集和词语向量集,生成第二序列,第二序列包括与多个字符相关联的多个字符编码结果和与多个第一词语相关联的多个第一词语编码结果;基于双向长短期记忆网络和第二序列,生成第一语义特征序列,第一语义特征序列包括与所述多个字符相关联的多个语义特征和与多个第一词语相关联的多个语义特征;对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果;基于第一语义特征序列、多个相对位置编码结果和自注意力网络,生成第二语义特征序列,第二语义特征序列包括多个自注意力特征;以及基于第二语义特征序列、残差层和条件随机场网络,确定与查询词相关联的多个命名实体标签140。
由此,能够融合字符级特征、词语级特征、字符和/或词语之间的相对位置特征等多个特征,提高命名实体识别的准确率。
图2示出了根据本公开的实施例的用于命名实体识别的方法200的流程图。例如,方法200可以由如图1所示的计算设备110来执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在框202处,计算设备110生成与命名实体集相关联的字符向量集和词语向量集。命名实体集中的每个命名实体可以包括多个字符,并且可以划分为多个词语。例如,计算设备110可以通过诸如双向长短期记忆模型BiLSTM或者BERT模型来对每个命名实体中的多个字符进行处理,以生成字符向量,以及对每个命名实体中的多个词语进行处理,以生成词语向量。在一些实施例中,计算设备110可以生成字符与字符向量的关联,以及词语与词语向量的关联。
在框204处,计算设备110生成包括查询词中的多个字符和多个第一词语的第一序列。可以通过分词确定查询词中的多个第一词语。例如,查询词为“世达耐磨安全鞋鞋套”,其包括7个字符,并且包括“世达”、“安全鞋”和“鞋套”3个第一词语,从而生成包括7个字符“世达耐磨安全鞋鞋套”和3个第一词语“世达”、“安全鞋”和“鞋套”的第一序列。
在框206处,计算设备110基于命名实体集、字符向量集和词语向量集,生成第二序列,第二序列包括与多个字符相关联的多个字符编码结果和与多个第一词语相关联的多个第一词语编码结果。
下文将结合图3详细描述用于生成多个字符编码结果的方法。
在框208处,计算设备110基于双向长短期记忆网络(Bi-LSTM)和第二序列,生成第一语义特征序列,第一语义特征序列包括与多个字符相关联的多个语义特征和与多个第一词语相关联的多个语义特征。
在框210处,计算设备110对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果。
下文将结合图4详细描述用于对第一序列中的两两元素进行相对位置编码的方法。
在框212处,计算设备110基于第一语义特征序列、多个相对位置编码结果和自注意力网络,生成第二语义特征序列,第二语义特征序列包括多个自注意力特征。
下文将结合图5详细描述用于生成第二语义特征序列的方法。
在框214处,计算设备110基于第二语义特征序列、残差层和条件随机场网络(CRF),确定与查询词相关联的多个命名实体标签。
具体来说,计算设备110可以基于残差层将第二语义特征序列与第二序列相加,以生成第三语义特征序列。随后,计算设备110可以对第三语义特征进行激活和归一化,以生成第四语义特征序列。激活例如采用PRelu激活函数。最后,计算设备110可以基于第四语义特征序列和条件随机场网络,生成与查询词相关联的多个命名实体标签。
由此,能够融合字符级特征、词语级特征、字符和/或词语之间的相对位置特征等多个特征,双向长短期记忆网络捕获相邻和短距离的语义特征,自注意力网络捕获长距离的语义特征,它们相互补充和增强,是模型有更好的学习能力,提高了命名实体识别的准确率,从而解决了MRO行业语料数据较少使得通用模型存在过大或过小的问题从而导致的识别效果不佳的缺陷。
图3示出了根据本公开的实施例的用于生成多个字符编码结果的方法300的流程图。例如,方法300可以由如图1所示的计算设备110来执行。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。方法300可以包括对于多个字符中的每个字符执行以下步骤。
在框302处,计算设备110在命名实体集中确定含有字符的多个第二词语。含有字符的多个第二词语可以包括以字符开始的第二词语子集(例如表示为B)、以字符结束的第二词语子集(例如表示为E)、字符位于内部的第二词语子集(例如表示为M)以及字符单独成词的第二词语子集(例如表示为S)。如上所述,命名实体集中的每个命名实体可以划分为多个词语,从而得到与命名实体集相关联的词语集,在该词语集中可以找到上述多个第二词语以及上述多个第二词语子集。
在框304处,计算设备110确定多个第二词语在命名实体集中的多个频次。可以预先确定上述词语集中的每个词语在命名实体集中的频次,在确定多个第二词语后,就可以确定对应的多个频次。
在框306处,计算设备110在词语向量集中确定与多个第二词语相关联的多个词语向量。
如上所述,可以生成词语与词语向量的关联,通过该关联,计算设备110可以确定与多个第二词语相关联的多个词语向量。
在框308处,计算设备110基于多个词语向量和多个频次,生成多个第二词语编码结果。
在一些实施例中,对于多个第二词语中的每个第二词语子集,计算设备110可以生成多个第二词语的多个频次之和。例如,,其中Z表示多个第二词语的多个频次之和,w表示第二词语,z(w)表示第二词语w的频次,c为常数,例如0.2,表示包括S、B、M和E的多个第二词语。
随后,计算设备110可以基于第二词语子集的频次、多个频次之和以及与第二词语子集相关联的词语向量子集,生成与第二词语子集相关联的第二词语编码结果。
例如,通过以下公式计算第二词语编码结果,其中表示第二词语子集B的词语向量,表示属于第二词语子集B的第二词语w的词语向量,z(w)表示第二词语w的频次,c为常数,Z为表示多个第二词语的多个频次之和。与其他第二词语子集S、M和E相关联的第二词语编码结果的计算方式类似,不再赘述。
由此,能够按照字符在第二词语中的位置划分不同子集来对第二词语子集进行编码,融合了更多维度的特征,便于提高后续的命名实体识别的准确度。
在框310处,计算设备110在字符向量集中确定与字符相关联的字符向量。
例如,可以上述字符与字符向量之间的关联,在字符向量集中确定与字符相关联的字符向量,字符向量也可以称为字符本身编码。
在框312处,计算设备110基于多个第二词语编码结果和字符向量,生成与字符相关联的字符编码结果。
在一些实施例中,计算设备110可以将多个第二词语编码结果进行拼接,以生成拼接结果。
例如,可以通过以下公式对多个第二词语编码结果进行拼接,其中表示第二词语子集M的第二词语编码结果,表示第二词语子集E的第二词语编码结果,以及表示第二词语子集S的第二词语编码结果,表示这四个第二词语编码结果的拼接结果。
随后,计算设备110可以将拼接结果和字符向量拼接,以生成字符编码结果。
例如,可以通过以下公式来对拼接结果和字符向量进行拼接,以生成字符编码结果,,其中内部的表示上面的字符向量(或者也称为字符本身编码),外部的表示拼接后的字符编码结果。由此,使得字符编码结果融合了字符本身编码和与以字符开始的第二词语集、以字符结束的第二词语子集、字符在内部的第二词语子集以及字符单独成词的第二词语子集这四个第二词语子集相关联的四个第二词语编码结果,从而体现更多维度特征,便于提高命名实体识别的准确性。
由此,使用字词双维度特征,对每个字进行融合编码,使得字符编码结果融合更多维度特征,便于提高命名实体识别的准确性。
图4示出了根据本公开的实施例的用于对第一序列中的两两元素进行相对位置编码的方法400的流程图。例如,方法400可以由如图1所示的计算设备110来执行。应当理解的是,方法400还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。方法400可以包括对包括第一序列中的两个元素的每个元素对执行以下步骤。
在框402处,计算设备110确定元素对中的两个元素在查询词中的两个起始位置和两个结束位置。例如,两个元素表示为i和j,其分别可以是第一序列中的字符或者词语,两个起始位置和两个结束位置表示为head[i]、head[j]、tail[i]和tail[j]。
以包括7个字符“世达耐磨安全鞋鞋套”和3个第一词语“世达”、“安全鞋”和“鞋套”的第一序列为例,“世达”这个词在查询词“世达耐磨安全鞋鞋套”中的起始位置和结束位置为0和1,“鞋套”这个词在“世达耐磨安全鞋鞋套”中的起始位置和结束位置为7和8。
在框404处,计算设备110确定起始位置对起始位置的第一差、结束位置对结束位置的第二差、起始位置对结束位置的第三差以及结束位置对起始位置的第四差。
例如可以通过以下公式来确定上述第一差、第二差、第三差和第四差。
在框406处,计算设备110基于第一差、第二差、第三差和第四差,生成第一位置编码结果、第二位置编码结果、第三位置编码结果和第四位置编码结果。
每个位置编码结果可采用以下公式来生成。
其中,表示字/词位置编码的维度,例如512,pos=0-255,2pos和2pos+1表示当前字/词在位置编码维度中的位置,第0,2等偶数位置采用的正弦编码,第1,3等奇数位置采用的余弦编码。这样,每个位置编码结果具有维度。
在框408处,计算设备110对第一位置编码结果、第二位置编码结果、第三位置编码结果和第四位置编码结果进行拼接,以生成拼接结果。
在框410处,计算设备110对拼接结果进行变换处理,以生成与所述两个元素相关联的相对位置编码结果。
变换处理例如可以包括矩阵运算和一次非线性变换GELU。例如,采用以下公式来生成相对位置编码结果:,其中表示元素i和j的相对位置编码结果,GELU表示高斯误差线性单元,表示可学习的参数矩阵,、、、表示第一位置编码结果、第三位置编码结果、第二位置编码结果和第四位置编码结果,表示拼接结果。
由此,能够实现字符对字符、词语对词语以及字符对词语3中对应关系的开始位置对开始位置、开始位置对结束位置、结束位置对开始位置以及结束位置对结束位置的4种相对位置关系的编码,使得相对位置编码结果融合多种特征,便于提高后续命名实体识别的准确性。
下文描述根据本公开实施例的用于生成第二语义特征序列的方法。
备选地或者附加地,在一些实施例中,计算设备110对于多个相对位置编码结果中的每一个相对位置编码结果执行以下步骤:在第一序列中确定与相对位置编码结果相关联的两个元素;从第一语义特征序列中确定与两个元素相关联的两个语义特征;以及基于两个语义特征和相对位置编码结果,生成与相对位置编码结果相关联的自注意力权重。
随后,计算设备110基于与多个相对位置编码结果相关联的多个自注意力权重和第一语义特征序列,生成第二语义特征序列。
由此,通过自注意力网络更好地捕获长距离的语义特征。
图5示出了根据本公开实施例的命名实体识别模型500的示意框图。如图5所示,命名实体识别模型500包括输入层510、增强层520、双向长短期记忆网络层530、相对位置编码层540、自注意力网络层550、残差层560、PRelu层570、归一化层580和随机条件场网络层590。
关于输入层510,其用于对生成包括查询词中的多个字符和多个第一词语的第一序列,以及多个字符和多个第一词语在查询词中的起始位置序列和结束位置序列。查询词例如为“世达耐磨安全鞋鞋套”,第一序列例如为( “世达耐磨安全鞋鞋套”,“世达”,“安全鞋”,“鞋套”),起始位置序列例如为( “012345678”,“0”,“4”,“7” ),结束位置序列例如(“012345678”,“1”,“6”,“8” )。输入层510将第一序列输出到增强层520,以及将多个字符和多个第一词语在查询词中的起始位置序列和结束位置序列输出到相对位置编码层540。
关于增强层520,其用于基于命名实体集、字符向量集和词语向量集,生成第二序列,第二序列包括与多个字符相关联的多个字符编码结果和与多个第一词语相关联的多个第一词语编码结果。增强层将第二序列分别输出到双向长短期记忆网络层530和残差层560。
关于双向长短期记忆网络层530,其用于基于第二序列,生成第一语义特征序列,第一语义特征序列包括与多个字符相关联的多个语义特征和与多个第一词语相关联的多个语义特征。
关于相对位置编码层540,其用于基于多个字符和多个第一词语在查询词中的起始位置和结束位置,对第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果。相对位置编码层540将多个相对位置编码结果输出到自注意力网络层550。
关于自注意力网络层550,其用于基于第一语义特征序列和多个相对位置编码结果,生成第二语义特征序列,第二语义特征序列包括多个自注意力特征。自注意力网络层550将第二语义特征序列输入残差层560。
关于残差层560,其用于将第二语义特征序列和第二序列相加,以生成第三语义特征序列。
PRelu层570和归一化层580分别对第三语义特征进行激活和归一化,以生成第四语义特征序列。
随机条件场网络层590基于第四语义特征序列,生成与查询词相关联的多个命名实体标签。
由此,命名实体识别模型的结构使用输入增强、bi-LSTM、相对位置编码、自注意力机制(Self-Attention)多模型融合,bi-LSTM捕获相邻和短距离的语义特征,自注意力机制捕获长距离的语义特征,它们相互补充和增强,是模型有更好的学习能力,提高了命名实体识别准确率。
采用本申请方案实现的命名实体识别相比于现有模型在平均准确率上有不小的提升,实验对比结果如下表1所示。
表1。
其中acc表示平均准确率,以品名acc为例,品名acc=识别正确的品名个数/测试集中所有品名个数。
图6示出了可以用来实施本公开内容的实施例的示例设备600的示意性框图。例如,如图1所示的计算设备110可以由设备600来实施。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机存取存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标、麦克风等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200-400,可由中央处理单元601执行。例如,在一些实施例中,方法200-400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由中央处理单元601执行时,可以执行上文描述的方法200-400的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种用于命名实体识别的方法,包括:
生成与命名实体集相关联的字符向量集和词语向量集;
生成包括查询词中的多个字符和多个第一词语的第一序列;
基于所述命名实体集、所述字符向量集和所述词语向量集,生成第二序列,所述第二序列包括与所述多个字符相关联的多个字符编码结果和与所述多个第一词语相关联的多个第一词语编码结果;
基于双向长短期记忆网络和所述第二序列,生成第一语义特征序列,所述第一语义特征序列包括与所述多个字符相关联的多个语义特征和与所述多个第一词语相关联的多个语义特征;
对所述第一序列中的两两元素进行相对位置编码,以生成多个相对位置编码结果;
基于所述第一语义特征序列、所述多个相对位置编码结果和自注意力网络,生成第二语义特征序列,所述第二语义特征序列包括多个自注意力特征;以及
基于所述第二语义特征序列、残差层和条件随机场网络,确定与所述查询词相关联的多个命名实体标签;
其中生成所述多个字符编码结果包括对于所述多个字符中的每个字符执行以下步骤:
在所述命名实体集中确定含有所述字符的多个第二词语;
确定所述多个第二词语在所述命名实体集中的多个频次;
在所述词语向量集中确定与所述多个第二词语相关联的多个词语向量;
基于所述多个词语向量和所述多个频次,生成多个第二词语编码结果;
在所述字符向量集中确定与所述字符相关联的字符向量;以及
基于所述多个第二词语编码结果和所述字符向量,生成与所述字符相关联的字符编码结果。
2.根据权利要求1所述的方法,其中所述多个第二词语包括:
以所关联字符开始的第二词语子集、以所关联字符结束的第二词语子集、所关联字符位于内部的第二词语子集以及所关联字符单独成词的第二词语子集。
3.根据权利要求2所述的方法,其中生成所述多个第二词语编码结果包括对于所述多个第二词语中的每个第二词语子集执行以下步骤:
生成所述多个频次之和;以及
基于所述第二词语子集的频次子集、所述多个频次之和以及与所述第二词语子集相关联的词语向量子集,生成与所述第二词语相关联的第二词语编码结果。
4.根据权利要求1所述的方法,其中生成所述字符编码结果包括:
将所述多个第二词语编码结果进行拼接,以生成拼接结果;以及
将所述拼接结果和所述字符向量拼接,以生成所述字符编码结果。
5.根据权利要求1所述的方法,其中对所述第一序列中的两两元素进行相对位置编码包括对包括所述第一序列中的两个元素的每个元素对执行以下步骤:
确定所述元素对中的两个元素在所述查询词中的两个起始位置和两个结束位置;
确定起始位置对起始位置的第一差、结束位置对结束位置的第二差、起始位置对结束位置的第三差以及结束位置对起始位置的第四差;
基于所述第一差、所述第二差、所述第三差和所述第四差,生成第一位置编码结果、第二位置编码结果、第三位置编码结果和第四位置编码结果;
对所述第一位置编码结果、所述第二位置编码结果、第三位置编码结果和所述第四位置编码结果进行拼接,以生成拼接结果;以及
对所述拼接结果进行变换处理,以生成与所述两个元素相关联的相对位置编码结果。
6.根据权利要求1所述的方法,其中生成所述第二语义特征序列包括:
对于所述多个相对位置编码结果中的每一个相对位置编码结果执行以下步骤:
在所述第一序列中确定与所述相对位置编码结果相关联的两个元素;
从所述第一语义特征序列中确定与所述两个元素相关联的两个语义特征;以及
基于所述两个语义特征和所述相对位置编码结果,生成与所述相对位置编码结果相关联的自注意力权重;以及
基于与所述多个相对位置编码结果相关联的多个自注意力权重和所述第一语义特征序列,生成所述第二语义特征序列。
7.根据权利要求1所述的方法,其中确定所述多个命名实体标签包括:
基于所述残差层,将所述第二语义特征序列与所述第二序列相加,以生成第三语义特征序列;
对所述第三语义特征进行激活和归一化,以生成第四语义特征序列;以及
基于所述第四语义特征序列和所述条件随机场网络,生成与所述查询词相关联的多个命名实体标签。
8.一种电子设备,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权利要求1-7中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416137.7A CN112395882B (zh) | 2020-12-07 | 2020-12-07 | 用于命名实体识别的方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416137.7A CN112395882B (zh) | 2020-12-07 | 2020-12-07 | 用于命名实体识别的方法、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395882A CN112395882A (zh) | 2021-02-23 |
CN112395882B true CN112395882B (zh) | 2021-04-06 |
Family
ID=74605133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011416137.7A Active CN112395882B (zh) | 2020-12-07 | 2020-12-07 | 用于命名实体识别的方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395882B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535976A (zh) * | 2021-07-09 | 2021-10-22 | 泰康保险集团股份有限公司 | 一种路径的向量化表征方法、装置、计算设备及存储介质 |
CN114386410B (zh) * | 2022-01-11 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 预训练模型的训练方法和文本处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108628823A (zh) * | 2018-03-14 | 2018-10-09 | 中山大学 | 结合注意力机制和多任务协同训练的命名实体识别方法 |
CN110175330A (zh) * | 2019-05-29 | 2019-08-27 | 广州伟宏智能科技有限公司 | 一种基于注意力机制的命名实体识别方法 |
-
2020
- 2020-12-07 CN CN202011416137.7A patent/CN112395882B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108628823A (zh) * | 2018-03-14 | 2018-10-09 | 中山大学 | 结合注意力机制和多任务协同训练的命名实体识别方法 |
CN110175330A (zh) * | 2019-05-29 | 2019-08-27 | 广州伟宏智能科技有限公司 | 一种基于注意力机制的命名实体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112395882A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210264109A1 (en) | Stylistic Text Rewriting for a Target Author | |
CN107767870B (zh) | 标点符号的添加方法、装置和计算机设备 | |
US20210390260A1 (en) | Method, apparatus, device and storage medium for matching semantics | |
US10430610B2 (en) | Adaptive data obfuscation | |
US11042427B2 (en) | Automated consolidation of API specifications | |
CN112395882B (zh) | 用于命名实体识别的方法、电子设备和存储介质 | |
US20210342621A1 (en) | Method and apparatus for character recognition and processing | |
US9870351B2 (en) | Annotating embedded tables | |
CN113868368A (zh) | 用于信息处理的方法、电子设备和计算机程序产品 | |
CN113743101B (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
KR20200044208A (ko) | 음절 기반의 벡터를 이용한 한글 오류 보정 방법 및 한글 오류 보정 시스템 | |
CN112825114A (zh) | 语义识别方法、装置、电子设备及存储介质 | |
CN113361523A (zh) | 文本确定方法、装置、电子设备和计算机可读存储介质 | |
CN114241471B (zh) | 视频文本识别方法、装置、电子设备及可读存储介质 | |
CN115099233A (zh) | 一种语义解析模型的构建方法、装置、电子设备及存储介质 | |
US20220215170A1 (en) | Framework for chinese text error identification and correction | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
US20230153550A1 (en) | Machine Translation Method and Apparatus, Device and Storage Medium | |
CN111708819B (zh) | 用于信息处理的方法、装置、电子设备和存储介质 | |
CN117312564A (zh) | 文本分类方法、分类装置、电子设备和存储介质 | |
US11157829B2 (en) | Method to leverage similarity and hierarchy of documents in NN training | |
CN113869046B (zh) | 一种自然语言文本的处理方法、装置、设备及存储介质 | |
CN112528674B (zh) | 文本处理方法、模型的训练方法、装置、设备及存储介质 | |
US20180365780A1 (en) | System and method for intellectual property infringement detection | |
CN111753548B (zh) | 信息获取方法及装置、计算机存储介质、电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |