CN114462411A - 命名实体识别方法、装置、设备及存储介质 - Google Patents
命名实体识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114462411A CN114462411A CN202210134404.4A CN202210134404A CN114462411A CN 114462411 A CN114462411 A CN 114462411A CN 202210134404 A CN202210134404 A CN 202210134404A CN 114462411 A CN114462411 A CN 114462411A
- Authority
- CN
- China
- Prior art keywords
- sentence
- predicted
- standard
- entity
- word segmentation
- 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.)
- Granted
Links
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
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及人工智能技术,揭露一种命名实体识别方法,包括:对待预测句子进行数据清洗,得到标准分词序列;对标准分词序列进行向量化处理,得到句子向量;将句子向量输入至标准类型概率预测模型,得到实体类型概率,根据所述实体类型概率确定句子向量对应的预测实体标签,利用预设的标签预测算法对预测实体标签进行类型预测,得到待预测句子的实体类型。此外,本发明还涉及区块链技术,句子向量可存储于区块链的节点。本发明还提出一种命名实体识别装置、电子设备以及存储介质。本发明可以提高命名实体识别的准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种命名实体识别方法、装置、电子设备及计算机可读存储介质。
背景技术
命名实体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,是自然语言处理中的一项基础性关键任务,在自然语言处理技术走向实用化的过程中占有重要地位。金融领域中通常也需要进行命名实体的识别。
现有的命名实体识别中通常是采用半监督学习方法,但半监督学习仍存在模型性能相对较低,泛化能力也较低的问题,进而导致命名实体识别的准确度较低。
发明内容
本发明提供一种命名实体识别方法、装置及计算机可读存储介质,其主要目的在于提高命名实体识别的准确度。
为实现上述目的,本发明提供的一种命名实体识别方法,包括:
获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
对所述标准分词序列进行向量化处理,得到句子向量;
将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
可选地,所述对所述标准分词序列进行向量化处理,得到句子向量,包括:
检测所述标准分词序列的序列长度;
若所述序列长度大于或者等于固定阈值,截取所述标准分词序列中与所述固定阈值的数值一致的序列作为固定分词序列;
若所述序列长度小于所述固定阈值,将所述标准分词序列进行补全处理,得到固定分词序列;
将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量;
获取进行随机初始化后的字向量矩阵和词性向量矩阵,将所述词向量、所述字向量矩阵和所述词性向量矩阵进行拼接处理,得到句子向量。
可选地,所述将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量,包括:
将所述固定分词序列转换为所述词向量模型中词汇表中的序号;
提取以所述序号为下标的向量数组作为词向量。
可选地,所述将所述句子向量输入至标准类型概率预测模型之前,所述方法还包括:
对预先获取的网页内容数据进行网页清洗,得到清洗数据集;
基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型。
可选地,所述基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型,包括:
按照预设的比例对所述清洗数据集进行数据划分,得到训练数据集、验证数据集和测试数据集;
获取待识别数据,基于预设的识别程度分类模型对所述待识别数据进行识别程度分类,得到易识别数据和难识别数据;
将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型;
利用所述验证数据集对所述训练好的类型概率预测模型进行验证处理,当所述验证通过时,利用所述标准测试数据集对通过验证的类型概率预测模型进行测试,将测试通过的类型概率预测模型输出为标准类型概率预测模型。
可选地,所述利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型,包括:
通过所述双向长短期记忆网络中的输入门计算所述训练数据集中训练数据的状态值;
通过所述双向长短期记忆网络中的遗忘门计算所述训练数据集中训练数据的激活值;
根据所述状态值和所述激活值计算所述训练数据的状态更新值;
利用所述双向长短期记忆网络中的输出门计算所述状态更新值对应的初始文本数据;
将所述初始文本数据输入至预设的全连接层中,得到实体类型概率;
根据所述实体类型概率得到初步预测结果,通过将所述初步预测结果和预设的真实结果进行比较对所述双向长短期记忆网络进行调整,得到训练好的类型概率预测模型。
可选地,所述对所述待预测句子进行数据清洗,得到标准分词序列,包括:
识别所述待预测句子中的特殊符号,并对所述特殊符号执行去除操作;
将去除特殊符号后的待预测句子进行字符转换处理,得到初始句子;
对所述初始句子进行分词处理,得到初始分词集;
基于预设的词性表对所述初始分词集进行词性分析,并筛选出所述初始分词集中符合预设词性的分词;
对多个符合预设词性标准的分词进行去停用词处理,得到标准分词序列。
为了解决上述问题,本发明还提供一种命名实体识别装置,所述装置包括:
数据清洗模块,用于获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
向量化模块,用于对所述标准分词序列进行向量化处理,得到句子向量;
概率生成模块,用于将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
类型预测模块,用于根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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上述所述的命名实体识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的命名实体识别方法。
本发明实施例通过对待预测句子进行数据清洗和向量化处理,得到句子向量。将所述句子向量输入至标准类型概率预测模型,得到实体类型概率,根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型,所述标签预测算法可以在根据实体类型概率直接得到实体类型的情况下多加一层标签预测,进而提高命名实体识别的准确度。因此本发明提出的命名实体识别方法、装置、电子设备及计算机可读存储介质,可以实现解决命名实体识别的准确度不够高的问题。
附图说明
图1为本发明一实施例提供的命名实体识别方法的流程示意图;
图2为本发明一实施例提供的命名实体识别装置的功能模块图;
图3为本发明一实施例提供的实现所述命名实体识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种命名实体识别方法。所述命名实体识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述命名实体识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的命名实体识别方法的流程示意图。在本实施例中,所述命名实体识别方法包括:
S1、获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列。
本发明实施例中,所述待预测句子是指需要进行命名实体识别的待识别文本。
具体地,所述对所述待预测句子进行数据清洗,得到标准分词序列,包括:
识别所述待预测句子中的特殊符号,并对所述特殊符号执行去除操作;
将去除特殊符号后的待预测句子进行字符转换处理,得到初始句子;
对所述初始句子进行分词处理,得到初始分词集;
基于预设的词性表对所述初始分词集进行词性分析,并筛选出所述初始分词集中符合预设词性的分词;
对多个符合预设词性标准的分词进行去停用词处理,得到标准分词序列。
详细地,所述待预测句子中的特殊符号为“-”、“*”、“+”、“@”,所述字符转换处理是将将所述待预测句子中的英文字符都统一成小写。所述分词处理采用的是python的分词工具Jieba分词。其中,Jieba分词有三种分词模型,本算法采用的是精确模式,能够将句子最精确地切开,适合文本分析场景。采用Jieba工具包提供的jieba.posseg.cut(line)方法进行词性分析,为了更准确的识别出实体类型,词所携带的词性信息也是判断实体标签的一个重要特征。所述预设词性为名词、虚词、数词等,而不是语气词和感叹词等没有具体语义信息的词。人工针对金融领域的语料特征构建一个停用词表,对多个符合预设词性标准的分词包含的词列表中的元素检查是否在停用词中,若存在则删除该词,得到标准分词序列。
S2、对所述标准分词序列进行向量化处理,得到句子向量。
本发明实施例中,对所述标准分词序列进行向量化处理可以将所述标准分词序列转换为句子向量并将所述句子向量作为后续模型的输入。
具体地,所述对所述标准分词序列进行向量化处理,得到句子向量,包括:
检测所述标准分词序列的序列长度;
若所述序列长度大于或者等于固定阈值,截取所述标准分词序列中与所述固定阈值的数值一致的序列作为固定分词序列;
若所述序列长度小于所述固定阈值,将所述标准分词序列进行补全处理,得到固定分词序列;
将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量;
获取进行随机初始化后的字向量矩阵和词性向量矩阵,将所述词向量、所述字向量矩阵和所述词性向量矩阵进行拼接处理,得到句子向量。
详细地,可以利用预设的具有序列长度检测功能的java语句检测所述标准分词序列的序列长度,所述预设的固定阈值可以为人工给定的一个固定值,此处不作限定。
进一步地,所述将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量,包括:
将所述固定分词序列转换为所述词向量模型中词汇表中的序号;
提取以所述序号为下标的向量数组作为词向量。
详细地,所述词向量模型中的词汇表中含有多个分词序列及各个分词序列对应的序号,可以将所述固定分词序列转换为所述词向量模型中词汇表中的序号,并提取以所述序号为下标的向量数组作为词向量。
S3、将所述句子向量输入至标准类型概率预测模型,得到实体类型概率。
本发明实施例中,所述将所述句子向量输入至标准类型概率预测模型之前,所述方法还包括:
对预先获取的网页内容数据进行网页清洗,得到清洗数据集;
基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型。
其中,所述网页内容数据是通过python从各个金融网站上爬取所得的数据,由于网页内容复杂且来源较多,因此需要对所述网页内容数据进行网页清洗。
具体地,所述对预先获取的网页内容数据进行网页清洗,得到清洗数据集,包括:
将所述网页内容数据中的无用网页符号和网页标签进行剔除,得到标准网页数据;
识别所述标准网页数据中的全角字符,将所述全角字符转换为半角字符,得到清洗数据集。
详细地,经过网页清洗后得到的清洗数据集更加精准。
进一步地,所述基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型,包括:
按照预设的比例对所述清洗数据集数据划分,得到训练数据集、验证数据集和测试数据集;
获取预设的易识别数据和难识别数据,将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
获取待识别数据,基于预设的识别程度分类模型对所述待识别数据进行识别程度分类,得到易识别数据和难识别数据;
将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型;
利用所述验证数据集对所述训练好的类型概率预测模型进行验证处理,当所述验证通过时,利用所述标准测试数据集对通过验证的类型概率预测模型进行测试,将测试通过的类型概率预测模型输出为标准类型概率预测模型。
详细地,所述预设的比例为8:1:1,所述易识别数据是指人工挑选比较常见的易识别的句子,所述难识别数据是指在金融领域下比较有代表性的较难准确识别的句子。
进一步地,所述利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型,包括:
通过所述双向长短期记忆网络中的输入门计算所述训练数据集中训练数据的状态值;
通过所述双向长短期记忆网络中的遗忘门计算所述训练数据集中训练数据的激活值;
根据所述状态值和所述激活值计算所述训练数据的状态更新值;
利用所述双向长短期记忆网络中的输出门计算所述状态更新值对应的初始文本数据;
将所述初始文本数据输入至预设的全连接层中,得到实体类型概率;
根据所述实体类型概率得到初步预测结果,通过将所述初步预测结果和预设的真实结果进行比较对所述双向长短期记忆网络进行调整,得到训练好的类型概率预测模型。
一可选实施例中,所述状态值的计算方法包括:
一可选实施例中,所述激活值的计算方法包括:
一可选实施例中,所述状态更新值的计算方法包括:
一可选实施例中,所述利用输出门计算状态更新值对应的初始文本数据包括:
利用如下公式计算初始文本数据:
ot=tanh(ct)
其中,ot表示初始文本数据,tanh表示输出门的激活函数,ct表示状态更新值。
详细地,所述LSTM网络(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,包括:输入门、遗忘门以及输出门。其中,本方案中采用两层隐层单元为150的双向长短期记忆网络。
S4、根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
本发明实施例中,根据所述实体类型概率确定所述句子向量对应的预测实体标签,所述实体类型概率与预测实体标签存在对应关系,可以根据预设的标签参考表确定所述句子向量对应的预测实体标签。其中,所述标签参考表中包含实体类型概率和对应的预测实体标签。
具体地,所述利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型,包括:
提取所述标签预测算法中的概率转移矩阵参数,并获取预设的真实标签序列;
基于维特比算法对所述预测实体标签、所述真实标签序列和所述概率转移矩阵参数进行预测,得到所述待预测句子的实体类型。
详细地,所述维特比算法是一种动态规划算法,用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列。
本发明实施例通过对待预测句子进行数据清洗和向量化处理,得到句子向量。将所述句子向量输入至标准类型概率预测模型,得到实体类型概率,根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型,所述标签预测算法可以在根据实体类型概率直接得到实体类型的情况下多加一层标签预测,进而提高命名实体识别的准确度。因此本发明提出的命名实体识别方法可以实现解决命名实体识别的准确度不够高的问题。
如图2所示,是本发明一实施例提供的命名实体识别装置的功能模块图。
本发明所述命名实体识别装置100可以安装于电子设备中。根据实现的功能,所述命名实体识别装置100可以包括数据清洗模块101、向量化模块102、概率生成模块103及类型预测模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据清洗模块101,用于获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
所述向量化模块102,用于对所述标准分词序列进行向量化处理,得到句子向量;
所述概率生成模块103,用于将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
所述类型预测模块104,用于根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
详细地,所述命名实体识别装置100各模块的具体实施方式如下:
步骤一、获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列。
本发明实施例中,所述待预测句子是指需要进行命名实体识别的待识别文本。
具体地,所述对所述待预测句子进行数据清洗,得到标准分词序列,包括:
识别所述待预测句子中的特殊符号,并对所述特殊符号执行去除操作;
将去除特殊符号后的待预测句子进行字符转换处理,得到初始句子;
对所述初始句子进行分词处理,得到初始分词集;
基于预设的词性表对所述初始分词集进行词性分析,并筛选出所述初始分词集中符合预设词性的分词;
对多个符合预设词性标准的分词进行去停用词处理,得到标准分词序列。
详细地,所述待预测句子中的特殊符号为“-”、“*”、“+”、“@”,所述字符转换处理是将将所述待预测句子中的英文字符都统一成小写。所述分词处理采用的是python的分词工具Jieba分词。其中,Jieba分词有三种分词模型,本算法采用的是精确模式,能够将句子最精确地切开,适合文本分析场景。采用Jieba工具包提供的jieba.posseg.cut(line)方法进行词性分析,为了更准确的识别出实体类型,词所携带的词性信息也是判断实体标签的一个重要特征。所述预设词性为名词、虚词、数词等,而不是语气词和感叹词等没有具体语义信息的词。人工针对金融领域的语料特征构建一个停用词表,对多个符合预设词性标准的分词包含的词列表中的元素检查是否在停用词中,若存在则删除该词,得到标准分词序列。
步骤二、对所述标准分词序列进行向量化处理,得到句子向量。
本发明实施例中,对所述标准分词序列进行向量化处理可以将所述标准分词序列转换为句子向量并将所述句子向量作为后续模型的输入。
具体地,所述对所述标准分词序列进行向量化处理,得到句子向量,包括:
检测所述标准分词序列的序列长度;
若所述序列长度大于或者等于固定阈值,截取所述标准分词序列中与所述固定阈值的数值一致的序列作为固定分词序列;
若所述序列长度小于所述固定阈值,将所述标准分词序列进行补全处理,得到固定分词序列;
将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量;
获取进行随机初始化后的字向量矩阵和词性向量矩阵,将所述词向量、所述字向量矩阵和所述词性向量矩阵进行拼接处理,得到句子向量。
详细地,可以利用预设的具有序列长度检测功能的java语句检测所述标准分词序列的序列长度,所述预设的固定阈值可以为人工给定的一个固定值,此处不作限定。
进一步地,所述将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量,包括:
将所述固定分词序列转换为所述词向量模型中词汇表中的序号;
提取以所述序号为下标的向量数组作为词向量。
详细地,所述词向量模型中的词汇表中含有多个分词序列及各个分词序列对应的序号,可以将所述固定分词序列转换为所述词向量模型中词汇表中的序号,并提取以所述序号为下标的向量数组作为词向量。
步骤三、将所述句子向量输入至标准类型概率预测模型,得到实体类型概率。
本发明实施例中,所述将所述句子向量输入至标准类型概率预测模型之前,还执行:
对预先获取的网页内容数据进行网页清洗,得到清洗数据集;
基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型。
其中,所述网页内容数据是通过python从各个金融网站上爬取所得的数据,由于网页内容复杂且来源较多,因此需要对所述网页内容数据进行网页清洗。
具体地,所述对预先获取的网页内容数据进行网页清洗,得到清洗数据集,包括:
将所述网页内容数据中的无用网页符号和网页标签进行剔除,得到标准网页数据;
识别所述标准网页数据中的全角字符,将所述全角字符转换为半角字符,得到清洗数据集。
详细地,经过网页清洗后得到的清洗数据集更加精准。
进一步地,所述基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型,包括:
按照预设的比例对所述清洗数据集数据划分,得到训练数据集、验证数据集和测试数据集;
获取预设的易识别数据和难识别数据,将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
获取待识别数据,基于预设的识别程度分类模型对所述待识别数据进行识别程度分类,得到易识别数据和难识别数据;
将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型;
利用所述验证数据集对所述训练好的类型概率预测模型进行验证处理,当所述验证通过时,利用所述标准测试数据集对通过验证的类型概率预测模型进行测试,将测试通过的类型概率预测模型输出为标准类型概率预测模型。
详细地,所述预设的比例为8:1:1,所述易识别数据是指人工挑选比较常见的易识别的句子,所述难识别数据是指在金融领域下比较有代表性的较难准确识别的句子。
进一步地,所述利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型,包括:
通过所述双向长短期记忆网络中的输入门计算所述训练数据集中训练数据的状态值;
通过所述双向长短期记忆网络中的遗忘门计算所述训练数据集中训练数据的激活值;
根据所述状态值和所述激活值计算所述训练数据的状态更新值;
利用所述双向长短期记忆网络中的输出门计算所述状态更新值对应的初始文本数据;
将所述初始文本数据输入至预设的全连接层中,得到实体类型概率;
根据所述实体类型概率得到初步预测结果,通过将所述初步预测结果和预设的真实结果进行比较对所述双向长短期记忆网络进行调整,得到训练好的类型概率预测模型。
一可选实施例中,所述状态值的计算方法包括:
一可选实施例中,所述激活值的计算方法包括:
一可选实施例中,所述状态更新值的计算方法包括:
一可选实施例中,所述利用输出门计算状态更新值对应的初始文本数据包括:
利用如下公式计算初始文本数据:
ot=tanh(ct)
其中,ot表示初始文本数据,tanh表示输出门的激活函数,ct表示状态更新值。
详细地,所述LSTM网络(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,包括:输入门、遗忘门以及输出门。其中,本方案中采用两层隐层单元为150的双向长短期记忆网络。
步骤四、根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
本发明实施例中,根据所述实体类型概率确定所述句子向量对应的预测实体标签,所述实体类型概率与预测实体标签存在对应关系,可以根据预设的标签参考表确定所述句子向量对应的预测实体标签。其中,所述标签参考表中包含实体类型概率和对应的预测实体标签。
具体地,所述利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型,包括:
提取所述标签预测算法中的概率转移矩阵参数,并获取预设的真实标签序列;
基于维特比算法对所述预测实体标签、所述真实标签序列和所述概率转移矩阵参数进行预测,得到所述待预测句子的实体类型。
详细地,所述维特比算法是一种动态规划算法,用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列。
本发明实施例通过对待预测句子进行数据清洗和向量化处理,得到句子向量。将所述句子向量输入至标准类型概率预测模型,得到实体类型概率,根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型,所述标签预测算法可以在根据实体类型概率直接得到实体类型的情况下多加一层标签预测,进而提高命名实体识别的准确度。因此本发明提出的命名实体识别装置可以实现解决命名实体识别的准确度不够高的问题。
如图3所示,是本发明一实施例提供的实现命名实体识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如命名实体识别程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行命名实体识别程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如命名实体识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的命名实体识别程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
对所述标准分词序列进行向量化处理,得到句子向量;
将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
对所述标准分词序列进行向量化处理,得到句子向量;
将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种命名实体识别方法,其特征在于,所述方法包括:
获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
对所述标准分词序列进行向量化处理,得到句子向量;
将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
2.如权利要求1所述的命名实体识别方法,其特征在于,所述对所述标准分词序列进行向量化处理,得到句子向量,包括:
检测所述标准分词序列的序列长度;
若所述序列长度大于或者等于固定阈值,截取所述标准分词序列中与所述固定阈值的数值一致的序列作为固定分词序列;
若所述序列长度小于所述固定阈值,将所述标准分词序列进行补全处理,得到固定分词序列;
将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量;
获取进行随机初始化后的字向量矩阵和词性向量矩阵,将所述词向量、所述字向量矩阵和所述词性向量矩阵进行拼接处理,得到句子向量。
3.如权利要求2所述的命名实体识别方法,其特征在于,所述将所述固定分词序列输入至预先训练好的词向量模型中,得到词向量,包括:
将所述固定分词序列转换为所述词向量模型中词汇表中的序号;
提取以所述序号为下标的向量数组作为词向量。
4.如权利要求1所述的命名实体识别方法,其特征在于,所述将所述句子向量输入至标准类型概率预测模型之前,所述方法还包括:
对预先获取的网页内容数据进行网页清洗,得到清洗数据集;
基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型。
5.如权利要求4所述的命名实体识别方法,其特征在于,所述基于所述清洗数据集对预设的双向长短期记忆网络进行训练、验证及测试处理,得到标准类型概率预测模型,包括:
按照预设的比例对所述清洗数据集进行数据划分,得到训练数据集、验证数据集和测试数据集;
获取待识别数据,基于预设的识别程度分类模型对所述待识别数据进行识别程度分类,得到易识别数据和难识别数据;
将所述易识别数据、所述难识别数据和所述测试数据集进行汇总,得到标准测试数据集;
利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型;
利用所述验证数据集对所述训练好的类型概率预测模型进行验证处理,当所述验证通过时,利用所述标准测试数据集对通过验证的类型概率预测模型进行测试,将测试通过的类型概率预测模型输出为标准类型概率预测模型。
6.如权利要求5所述的命名实体识别方法,其特征在于,所述利用所述训练数据集对预设的双向长短期记忆网络进行训练,得到训练好的类型概率预测模型,包括:
通过所述双向长短期记忆网络中的输入门计算所述训练数据集中训练数据的状态值;
通过所述双向长短期记忆网络中的遗忘门计算所述训练数据集中训练数据的激活值;
根据所述状态值和所述激活值计算所述训练数据的状态更新值;
利用所述双向长短期记忆网络中的输出门计算所述状态更新值对应的初始文本数据;
将所述初始文本数据输入至预设的全连接层中,得到实体类型概率;
根据所述实体类型概率得到初步预测结果,通过将所述初步预测结果和预设的真实结果进行比较对所述双向长短期记忆网络进行调整,得到训练好的类型概率预测模型。
7.如权利要求1至6中任一项所述的命名实体识别方法,其特征在于,所述对所述待预测句子进行数据清洗,得到标准分词序列,包括:
识别所述待预测句子中的特殊符号,并对所述特殊符号执行去除操作;
将去除特殊符号后的待预测句子进行字符转换处理,得到初始句子;
对所述初始句子进行分词处理,得到初始分词集;
基于预设的词性表对所述初始分词集进行词性分析,并筛选出所述初始分词集中符合预设词性的分词;
对多个符合预设词性标准的分词进行去停用词处理,得到标准分词序列。
8.一种命名实体识别装置,其特征在于,所述装置包括:
数据清洗模块,用于获取待预测句子,对所述待预测句子进行数据清洗,得到标准分词序列;
向量化模块,用于对所述标准分词序列进行向量化处理,得到句子向量;
概率生成模块,用于将所述句子向量输入至标准类型概率预测模型,得到实体类型概率;
类型预测模块,用于根据所述实体类型概率确定所述句子向量对应的预测实体标签,利用预设的标签预测算法对所述预测实体标签进行类型预测,得到所述待预测句子的实体类型。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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7中任意一项所述的命名实体识别方法。
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如权利要求1至7中任意一项所述的命名实体识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134404.4A CN114462411B (zh) | 2022-02-14 | 2022-02-14 | 命名实体识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134404.4A CN114462411B (zh) | 2022-02-14 | 2022-02-14 | 命名实体识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462411A true CN114462411A (zh) | 2022-05-10 |
CN114462411B CN114462411B (zh) | 2023-05-16 |
Family
ID=81414418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134404.4A Active CN114462411B (zh) | 2022-02-14 | 2022-02-14 | 命名实体识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462411B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169008A1 (en) * | 2015-12-15 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for sentiment classification |
CN110489523A (zh) * | 2019-07-31 | 2019-11-22 | 西安理工大学 | 一种基于网购评价的细粒度情感分析方法 |
CN111709242A (zh) * | 2020-06-01 | 2020-09-25 | 广州多益网络股份有限公司 | 一种基于命名实体识别的中文标点符号添加方法 |
CN112732915A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 情感分类方法、装置、电子设备及存储介质 |
CN112818694A (zh) * | 2021-03-02 | 2021-05-18 | 浙江工业大学 | 一种基于规则和改进预训练模型的命名实体识别方法 |
-
2022
- 2022-02-14 CN CN202210134404.4A patent/CN114462411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169008A1 (en) * | 2015-12-15 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for sentiment classification |
CN110489523A (zh) * | 2019-07-31 | 2019-11-22 | 西安理工大学 | 一种基于网购评价的细粒度情感分析方法 |
CN111709242A (zh) * | 2020-06-01 | 2020-09-25 | 广州多益网络股份有限公司 | 一种基于命名实体识别的中文标点符号添加方法 |
CN112732915A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 情感分类方法、装置、电子设备及存储介质 |
CN112818694A (zh) * | 2021-03-02 | 2021-05-18 | 浙江工业大学 | 一种基于规则和改进预训练模型的命名实体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114462411B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428488A (zh) | 简历数据信息解析及匹配方法、装置、电子设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN110929524A (zh) | 数据筛选方法、装置、设备及计算机可读存储介质 | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN115392237B (zh) | 情感分析模型训练方法、装置、设备及存储介质 | |
CN111858834B (zh) | 基于ai的案件争议焦点确定方法、装置、设备及介质 | |
CN113704410A (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN113807973A (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN116956896A (zh) | 基于人工智能的文本分析方法、系统、电子设备及介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN114706961A (zh) | 目标文本识别方法、装置及存储介质 | |
CN113626576A (zh) | 远程监督中关系特征抽取方法、装置、终端及存储介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN115525750A (zh) | 机器人话术检测可视化方法、装置、电子设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN115221323A (zh) | 基于意图识别模型的冷启动处理方法、装置、设备及介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |