CN116341553A - 命名实体识别方法和装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种命名实体识别方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取原始句子数据；对原始句子数据进行词嵌入处理，得到原始词嵌入向量；基于预设词表对原始词嵌入向量进行特征融合，得到融合词嵌入向量；对融合词嵌入向量进行零值填充，得到初始词嵌入向量；基于参考句子描述特征对初始词嵌入向量进行特征融合，得到目标词嵌入向量；基于候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；对预测标签数据进行解码处理，得到原始句子数据的目标标签数据；根据目标标签数据，从原始句子数据中提取目标实体对，目标实体对包括用于表征相反语义的一对句子信息。本申请能够提高命名实体识别的准确性。

Description

命名实体识别方法和装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种命名实体识别方法和装置、电子设备及存储介质。

背景技术

实体(entity)：所谓的实体就是人名、机构名、地名以及其他所有以名称为标识的特征。目前，在进行实体识别时，往往无法很好地挖掘句子的实体特征，会导致对句子中的实体特征的识别准确性较差，因此，如何提高命名实体识别的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种命名实体识别方法、命名实体识别装置、电子设备及存储介质，旨在提高命名实体的识别准确性。

为实现上述目的，本申请实施例的第一方面提出了一种命名实体识别方法，所述方法包括：

获取原始句子数据；

对所述原始句子数据进行词嵌入处理，得到原始词嵌入向量；

基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量；

基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

基于预设的候选标签对所述目标词嵌入向量进行标签预测，得到预测标签数据；

对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据；

根据所述目标标签数据，从所述原始句子数据中提取出目标实体对，其中，所述目标实体对包括用于表征相反语义的一对句子信息。

在一些实施例，所述基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，包括：

遍历所述预设词表，根据所述原始词嵌入向量对所述预设词表的每一候选词段进行筛选处理，得到目标词段；

对所述目标词段进行词嵌入处理，得到目标词向量；

对所述目标词向量和所述原始词嵌入向量进行向量融合，得到中间词嵌入向量；

将所述中间词嵌入向量映射到预设的向量空间，得到所述融合词嵌入向量，其中，所述融合词嵌入向量与所述原始词嵌入向量的向量维度相同。

在一些实施例，所述对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量，包括：

获取预设的卷积核；

基于所述卷积核对所述融合词嵌入向量进行零值填充，得到所述初始词嵌入向量，其中，所述初始词嵌入向量和所述融合词嵌入向量的向量维度相同。

在一些实施例，所述基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，包括：

对所述初始词嵌入向量和每一所述参考句子描述特征进行点乘处理，得到初始向量权重；

基于预设的概率函数对所述初始向量权重进行概率化处理，得到目标向量权重；

根据所述目标向量权重对所述参考句子描述特征和所述初始词嵌入向量进行向量融合，得到所述目标词嵌入向量。

在一些实施例，所述候选标签包括候选类别标签和候选位置标签，所述预设的候选标签对所述目标词嵌入向量进行标签预测，得到预测标签数据，包括：

通过预设函数和所述候选类别标签对所述目标词嵌入向量进行类别预测，得到第一预测数据；

通过所述预设函数和所述候选位置标签对所述目标词嵌入向量进行位置预测，得到第二预测数据；

根据所述第一预测数据和所述第二预测数据，得到所述预测标签数据。

在一些实施例，所述对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据，包括：

对所述预测标签数据进行解码处理，得到每一所述候选类别标签对应的第一概率值和每一所述候选位置标签对应的第二概率值；

根据所述第一概率值和预设的第一概率阈值，筛选所述目标词嵌入向量，得到候选实体特征向量；

根据所述第二概率值和预设的第二概率阈值，筛选所述候选实体特征向量，得到目标实体特征向量；

基于所述目标实体特征向量的位置标签和类别标签，得到所述目标标签数据。

在一些实施例，所述基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量之前，所述方法还包括：

获取预设的参考句子描述数据；

对所述参考句子描述数据进行编码处理，得到所述参考句子描述特征。

为实现上述目的，本申请实施例的第二方面提出了一种命名实体识别装置，所述装置包括：

句子数据获取模块，用于获取原始句子数据；

词嵌入模块，用于对所述原始句子数据进行词嵌入处理，得到原始词嵌入向量；

第一特征融合模块，用于基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

向量填充模块，用于对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量；

第二特征融合模块，用于基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

标签预测模块，用于基于预设的候选标签对所述目标词嵌入向量进行标签预测，得到预测标签数据；

解码模块，用于对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据；

实体提取模块，用于根据所述目标标签数据，从所述原始句子数据中提取出目标实体对，其中，所述目标实体对包括用于表征相反语义的一对句子信息。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述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上述第一方面所述的方法。

本申请提出的命名实体识别方法、命名实体识别装置、电子设备及存储介质，其通过获取原始句子数据；对原始句子数据进行词嵌入处理，得到原始词嵌入向量。基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，能够将预设词表的词向量信息融入获取到的原始词嵌入向量的局部语义信息和语法信息中，提高融合词嵌入向量的语义完整性。进一步地，对融合词嵌入向量进行零值填充，得到初始词嵌入向量，并基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，能够将参考句子描述特征包含的语义信息融入到初始词嵌入向量的语义信息中，使得能够利用参考句子描述特征进行命名实体识别，从而提高识别准确性。进一步地，基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；对预测标签数据进行解码处理，得到原始句子数据的目标标签数据，能够较为方便地对目标词嵌入向量的位置和类别进行预测，得到目标词嵌入向量的预测标签数据，使得后续能够基于目标词嵌入向量的预测标签数据进行实体提取和实体分类，提高命名实体的处理准确性。最后，根据目标标签数据，从原始句子数据中提取出目标实体对，目标实体对包括用于表征相反语义的一对句子信息，能够提高命名实体的识别准确性。

附图说明

图1是本申请实施例提供的命名实体识别方法的流程图；

图2是图1中的步骤S103的流程图；

图3是图1中的步骤S104的流程图；

图4是本申请实施例提供的命名实体识别方法的另一流程图；

图5是图1中的步骤S105的流程图；

图6是图1中的步骤S106的流程图；

图7是图1中的步骤S107的流程图；

图8是本申请实施例提供的命名实体识别装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

命名实体(named entity)：所谓的命名实体就是人名、机构名、地名以及其他所有以名称为标识的实体。更广泛的实体还包括数字、日期、货币、地址等等。

编码(encoder)：将输入序列转化成一个固定长度的向量。

解码(Decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。

BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个positionembedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，BERT选择直接拼接。

嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。

Softmax函数：Softmax函数是归一化指数函数，能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，该函数常用于多分类问题中。

命名实体识别是指在文档集合中识别出特定类型的事物名称或符号的过程。

命名实体识别由3个问题组成：1.识别出文本中的命名实体；2.确定该实体的类型；3.对于多个实体表示同一事物时，选择其中的一个实体作为该组实体的代表。

目前，常见的命名实体识别方法在进行实体识别时，往往无法很好地挖掘句子的实体特征，会导致对句子中的实体特征的识别准确性较差，因此，如何提高命名实体识别的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种命名实体识别方法、命名实体识别装置、电子设备及存储介质，旨在提高命名实体识别的准确性。

本申请实施例提供的命名实体识别方法、命名实体识别装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的命名实体识别方法。

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。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的命名实体识别方法，涉及人工智能技术领域。本申请实施例提供的命名实体识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现命名实体识别方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的命名实体识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S108。

步骤S101，获取原始句子数据；

步骤S102，对原始句子数据进行词嵌入处理，得到原始词嵌入向量；

步骤S103，基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

步骤S104，对融合词嵌入向量进行零值填充，得到初始词嵌入向量；

步骤S105，基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

步骤S106，基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；

步骤S107，对预测标签数据进行解码处理，得到原始句子数据的目标标签数据；

步骤S108，根据目标标签数据，从原始句子数据中提取出目标实体对，其中，目标实体对包括用于表征相反语义的一对句子信息。

本申请实施例所示意的步骤S101至步骤S108，通过获取原始句子数据；对原始句子数据进行词嵌入处理，得到原始词嵌入向量。基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，能够将预设词表的词向量信息融入获取到的原始词嵌入向量的局部语义信息和语法信息中，提高融合词嵌入向量的语义完整性。进一步地，对融合词嵌入向量进行零值填充，得到初始词嵌入向量，并基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，能够将参考句子描述特征包含的语义信息融入到初始词嵌入向量的语义信息中，使得能够利用参考句子描述特征进行命名实体识别，从而提高识别准确性。进一步地，基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；对预测标签数据进行解码处理，得到原始句子数据的目标标签数据，能够较为方便地对目标词嵌入向量的位置和类别进行预测，得到目标词嵌入向量的预测标签数据，使得后续能够基于目标词嵌入向量的预测标签数据进行实体提取和实体分类，提高命名实体的处理准确性。最后，根据目标标签数据，从原始句子数据中提取出目标实体对，目标实体对包括用于表征相反语义的一对句子信息，能够提高命名实体的识别准确性。

在一些实施例的步骤S101中，可以从预设的文本数据库中提取候选文本，并对候选文本进行拆分处理，得到多个候选句子，将全部或者部分候选句子作为原始句子数据；也可以通过网络平台或者搜索引擎等进行长句或者短句查询，将查询到的句子数据作为原始句子数据，还可以采用其他方式获取原始句子数据，不限于此。其中，原始句子可以是陈述句、疑问句或者感叹句等多种形式，不做限制。例如，原始句子数据可以包括“某某在什么地方”、“某某不在什么地方”等等。

在一些实施例的步骤S102中，可以通过预设的命名实体识别模型对原始句子数据进行词嵌入处理，该预设的命名实体识别模型可以基于BERT模型构建而成，该命名实体识别模型可以包括编码层、词向量融合层、卷积网络以及解码层等等。即通过命名实体识别模型的编码层对原始句子数据进行词嵌入处理，将原始句子数据从数据空间映射到向量空间，实现原始句子数据在词级别上的向量化，得到多个原始词嵌入向量。这一方式能够实现原始句子数据在词级别的嵌入，得到原始句子数据中每一词段对应的词向量，将词向量用于后续的命名实体识别，提高识别准确性。

由于目前的命名实体识别方法，对于存在着多个嵌套实体或者存在相同结尾字的不同实体的情况，在进行命名实体识别时常常容易出现识别错乱，无法很好地解决实体边界问题，因此，在本申请实施例的命名实体识别方法中，在预设的命名实体识别模型的编码层之后添加一个词向量融合层，通过该词向量融合层来帮助命名实体识别模型更好地识别命名实体的边界。

请参阅图2，在一些实施例中，步骤S103可以包括但不限于包括步骤S201至步骤S204：

步骤S201，遍历预设词表，根据原始词嵌入向量对预设词表的每一候选词段进行筛选处理，得到目标词段；

步骤S202，对目标词段进行词嵌入处理，得到目标词向量；

步骤S203，对目标词向量和原始词嵌入向量进行向量融合，得到中间词嵌入向量；

步骤S204，将中间词嵌入向量映射到预设的向量空间，得到融合词嵌入向量，其中，融合词嵌入向量与原始词嵌入向量的向量维度相同。

在一些实施例的步骤S201中，预设词表包括不同类型的常用词汇，这些常用词汇构成了候选词段的集合，这些常用词汇可以基于专家经验或者各种网络平台获取到，不做限制。遍历预设词表，将原始词嵌入向量与预设词表中的每一候选词段进行相关度计算，具体的相关度计算过程可以基于余弦相似度算法等算法实现。以余弦相似度算法为例，将向量形式的原始词嵌入向量和候选词段进行相似度计算，得到相似度值，将相似度值大于预设阈值的若干候选词段纳入同一个集合，根据相似度值的大小以及人工经验，对这一集合中的候选词段进行筛选，选取其中的N个候选词段作为目标词段，N为大于0的整数。例如，N等于10，即选取该集合中相似度值排在前10位的候选词段作为目标词段，这些目标词段的词义与原始词嵌入向量的语义信息更为接近。

在一些实施例的步骤S202中，通过前述的命名实体识别模型对目标词段进行词嵌入处理，即通过命名实体识别模型的编码层对目标词段进行词嵌入处理，将目标词段从数据空间映射到向量空间，实现目标词段在词级别上的向量化，得到多个目标词向量。

在一些实施例的步骤S203中，通过前述的BERT模型的词向量融合层将每一原始词嵌入向量与其对应的所有目标词向量进行向量拼接，得到中间词嵌入向量。

在一些实施例的步骤S204中，前述的命名实体识别模型的词向量融合层可以包括MLP映射函数，通过MLP映射函数将中间词嵌入向量映射到预设的向量空间，得到融合词嵌入向量，其中，融合词嵌入向量与原始词嵌入向量的向量维度相同。

由于前述的命名实体识别模型的编码层能够获取到原始词嵌入向量中的局部语义信息和语法信息，为了使得生成的融合词嵌入向量的语义信息更为接近整体语义信息，上述步骤S201至步骤S204通过提取预设词表中的目标词段，将目标词段的词向量信息融入获取到的原始词嵌入向量的局部语义信息和语法信息中，能够使得融合词嵌入向量的语义信息更为完整，同时，在向量融合过程中，采用MLP映射函数进行特征映射，能够较好地保证原始词嵌入向量和融合词嵌入向量的词向量位置不变，且原始词嵌入向量和融合词嵌入向量处于相同的向量维度，从而有效地解决命名实体的边界识别不清的问题，提高不同命名实体之间的边界识别准确性。

由于目前的命名实体识别方法大多都依赖于BERT模型进行命名实体识别，但BERT模型使用的是绝对位置编码，位置编码信息会被固定化，而对于较为复杂的命名实体，采用相对位置编码可以带来更多的有效信息，能够有利于在存在相同结尾字时识别出与当前实体对应的结尾信息。为了解决这一技术问题，本申请实施例的命名实体识别方法引入了固定尺寸的卷积核来对融合词嵌入向量进行处理，即可以在前述的命名实体识别模型的词向量融合层之后添加一个卷积网络，通过该卷积网络对二维的融合词嵌入向量进行卷积处理，以通过卷积网络的卷积核提取到融合词嵌入向量的周围字符的位置信息，提高模型对实体边界的学习能力。

请参阅图3，在一些实施例中，步骤S104可以包括但不限于包括步骤S301至步骤S302：

步骤S301，获取预设的卷积核；

步骤S302，基于卷积核对融合词嵌入向量进行零值填充，得到初始词嵌入向量，其中，初始词嵌入向量和融合词嵌入向量的向量维度相同。

在一些实施例的步骤S301中，预设的卷积核可以是1×1或者3×3等等，不做限制。通过这一卷积核对融合词嵌入向量进行零值填充卷积处理，控制融合词嵌入向量的尺寸大小。

在一些实施例的步骤S302中，以尺寸为3×3的卷积核对特征图形式的融合词嵌入向量进行零值填充卷积处理，扩大融合词嵌入向量的尺寸大小，并对融合词嵌入向量进行边缘滤波，捕捉融合词嵌入向量对应的token字符到token周围字符的位置信息，得到初始词嵌入向量，其中，token指的是将原始句子数据拆分形成的多个单词。其中，初始词嵌入向量和融合词嵌入向量的向量维度相同，但相较于融合词嵌入向量，初始词嵌入向量是更高级别的嵌入向量，其包含的语义信息和语法信息更为丰富、更为全面。

上述步骤S301至步骤S302能够较为方便地对特征图形式的融合词嵌入向量进行边缘滤波，在保持融合词嵌入向量的向量维度不变的情况下，获取融合词嵌入向量对应的token字符到token周围字符的位置信息，得到更多有效的相对位置信息，能够有利于在存在相同结尾字时识别出与当前实体对应的结尾信息，提高命名实体的识别准确性。

请参阅图4，在一些实施例中的步骤S105之前，该命名实体识别方法可以包括但不限于包括步骤S401至步骤S402：

步骤S401，获取预设的参考句子描述数据；

步骤S402，对参考句子描述数据进行编码处理，得到参考句子描述特征。

在一些实施例的步骤S401中，预设的参考句子描述数据可以是基于已知的每一对语义相反的命名实体对进行人工编写形成的句子描述数据。这些句子描述数据可以从预设的句子描述数据库中提取得到，或者其他方式获取到，不限于此。

在一些实施例的步骤S402中，通过前述的命名实体识别模型的编码层对参考句子描述数据进行编码处理，将参考句子描述数据由语义空间处理到向量空间，得到参考句子描述特征。

上述步骤S401至步骤S402能够较为方便地获取到用于描述句子的实体内容的参考句子描述数据，并通过编码的方式将参考句子描述数据转换为向量形式，得到参考句子描述特征，使得能够利用参考句子描述特征帮助命名实体识别模型进行命名实体识别，提高识别准确性。

请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S503：

步骤S501，对初始词嵌入向量和每一参考句子描述特征进行点乘处理，得到初始向量权重；

步骤S502，基于预设的概率函数对初始向量权重进行概率化处理，得到目标向量权重；

步骤S503，根据目标向量权重对参考句子描述特征和初始词嵌入向量进行向量融合，得到目标词嵌入向量。

在一些实施例的步骤S501中，对初始词嵌入向量和每一参考句子描述特征进行点乘处理，得到多个标量值，将标量值作为每一参考句子描述特征与初始词嵌入向量的初始向量权重。

在一些实施例的步骤S502中，基于预设的概率函数对初始向量权重进行概率化处理的过程具体为：通过概率函数对所有的初始向量权重(即所有的标量值)进行求和处理，得到标量总值，并通过概率函数将每一初始向量权重与该标量总值进行除法运算，得到目标向量权重，该目标向量权重为取值在0至1之间的概率值，概率函数可以是softmax函数等等，不做限制。

在一些实施例的步骤S503中，根据目标向量权重，将目标向量权重对应的权重数值赋予至相应的参考句子描述特征，得到中间句子描述特征，再将初始词嵌入向量将对应的所有中间句子描述特征进行向量相加，得到目标词嵌入向量。

上述步骤S501至步骤S503能够将参考句子描述特征包含的语义信息融入到初始词嵌入向量的语义信息中，使得能够利用参考句子描述特征帮助命名实体识别模型进行命名实体识别，从而提高识别准确性。

请参阅图6，在一些实施例，候选标签包括候选类别标签和候选位置标签，步骤S106包括但不限于包括步骤S601至步骤S603：

步骤S601，通过预设函数和候选类别标签对目标词嵌入向量进行类别预测，得到第一预测数据；

步骤S602，通过预设函数和候选位置标签对目标词嵌入向量进行位置预测，得到第二预测数据；

步骤S603，根据第一预测数据和第二预测数据，得到预测标签数据。

在一些实施例的步骤S601中，预设函数可以是softmax函数等预测函数，不做限制。候选类别标签包括年龄标签、地域标签、人物标签等等。以softmax函数为例，通过softmax函数创建目标词嵌入向量在每一候选类别标签上的概率分布，得到每一候选类别标签对应的第一概率向量，该第一概率向量的大小可以清楚地反映出目标词嵌入向量属于每一候选类别标签的可能性，将该第一概率向量作为第一预测数据。

在一些实施例的步骤S602中，预设函数可以是softmax函数等预测函数，不做限制。候选位置标签包括开始标签、结束标签等等。以softmax函数为例，通过softmax函数创建目标词嵌入向量在每一候选位置标签上的概率分布，得到每一候选位置标签对应的第二概率向量，该第二概率向量的大小可以清楚地反映出目标词嵌入向量属于每一候选位置标签的可能性，将该第二概率向量作为第二预测数据。

在一些实施例的步骤S603中，将所有的第一预测数据和第二预测数据纳入同一数据集，得到预测标签数据。

通过上述步骤S601至步骤S603能够较为方便地对目标词嵌入向量的位置和类别进行预测，得到目标词嵌入向量的预测位置标签和预测类别标签，使得后续能够基于该目标词嵌入向量的位置和类别进行命名实体提取和实体分类，提高命名实体的处理准确性。

请参阅图7，在一些实施例中，步骤S107可以包括但不限于包括步骤S701至步骤S704：

步骤S701，对预测标签数据进行解码处理，得到每一候选类别标签对应的第一概率值和每一候选位置标签对应的第二概率值；

步骤S702，根据第一概率值和预设的第一概率阈值，筛选目标词嵌入向量，得到候选实体特征向量；

步骤S703，根据第二概率值和预设的第二概率阈值，筛选候选实体特征向量，得到目标实体特征向量；

步骤S704，基于目标实体特征向量的位置标签和类别标签，得到目标标签数据。

在一些实施例的步骤S701中，通过前述命名识别模型的解码层对预测标签数据进行解码处理，将每一候选类别标签的第一预测数据由向量形式转换为数值形式，得到每一候选类别标签对应的第一概率值；同样地，通过前述命名识别模型的解码层对预测标签数据进行解码处理，将每一候选位置标签的第二预测数据由向量形式转换为数值形式，得到每一候选位置标签对应的第二概率值。

在一些实施例的步骤S702中，比对第一概率值和第一概率阈值，将第一概率值小于或者第一概率阈值的目标词嵌入向量剔除，保留第一概率值大于第一概率阈值的目标词嵌入向量，作为候选实体特征向量，其中，候选实体特征向量是所属类别较为清楚的特征向量。进一步地，将第一概率值最大的候选类别标签作为每一候选实体特征向量的实体类别。

在一些实施例的步骤S703中，比对第二概率值和第二概率阈值，将第二概率值小于或者第二概率阈值的候选实体特征向量剔除，保留第二概率值大于第二概率阈值的候选实体特征向量，作为目标实体特征向量，其中，目标实体特征向量是所属类别较为清楚的特征向量。进一步地，将第二概率值最大的候选位置标签作为每一目标实体特征向量的位置类别。

在一些实施例的步骤S704中，基于目标实体特征向量的位置标签和类别标签，对每一目标实体特征向量进行标注处理，得到目标标签数据，该目标标签数据包括原始句子数据中的每一句子词段以及句子词段对应的位置标签和类别标签。

通过上述步骤S701至步骤S704能够基于目标词嵌入向量的位置和类别进行实体提取和实体分类，提高命名实体的处理准确性。

在一些实施例的步骤S108中，根据目标标签数据，从原始句子数据中提取出目标实体对时，将处于开始标签和结束标签之间的句子内容提取出来，作为候选实体，将属于相同类别的候选实体放在一个集合，将属于同一集合的候选实体，构成目标实体对，目标实体对包括用于表征相反语义的一对句子信息。例如，某个目标实体对中的句子信息为“张三不在A地”和“张三在A地”。

本申请实施例的命名实体识别方法，其通过获取原始句子数据；对原始句子数据进行词嵌入处理，得到原始词嵌入向量。基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，能够将预设词表中的目标词段的词向量信息融入获取到的原始词嵌入向量的局部语义信息和语法信息中，提高融合词嵌入向量的语义完整性。进一步地，对融合词嵌入向量进行零值填充，得到初始词嵌入向量，能够在保持融合词嵌入向量的向量维度不变的情况下，获取融合词嵌入向量对应的词段字符到词段周围字符的位置信息，得到更多有效的相对位置信息，能够有利于在存在相同结尾字时识别出与当前实体对应的结尾信息，提高命名实体的识别准确性。进一步地，基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，能够将参考句子描述特征包含的语义信息融入到初始词嵌入向量的语义信息中，使得能够利用参考句子描述特征进行命名实体识别，从而提高识别准确性。进一步地，基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；对预测标签数据进行解码处理，得到原始句子数据的目标标签数据，能够较为方便地对目标词嵌入向量的位置和类别进行预测，得到目标词嵌入向量的预测标签数据，使得后续能够基于目标词嵌入向量的位置和类别进行实体提取和实体分类，提高命名实体的处理准确性。最后，根据目标标签数据，从原始句子数据中提取出目标实体对，目标实体对包括用于表征相反语义的一对句子信息，能够提高命名实体的识别准确性。

请参阅图8，本申请实施例还提供一种命名实体识别装置，可以实现上述命名实体识别方法，该装置包括：

句子数据获取模块801，用于获取原始句子数据；

词嵌入模块802，用于对原始句子数据进行词嵌入处理，得到原始词嵌入向量；

第一特征融合模块803，用于基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

向量填充模块804，用于对融合词嵌入向量进行零值填充，得到初始词嵌入向量；

第二特征融合模块805，用于基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

标签预测模块806，用于基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；

解码模块807，用于对预测标签数据进行解码处理，得到原始句子数据的目标标签数据；

实体提取模块808，用于根据目标标签数据，从原始句子数据中提取出目标实体对，其中，目标实体对包括用于表征相反语义的一对句子信息。

该命名实体识别装置的具体实施方式与上述命名实体识别方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述命名实体识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的命名实体识别方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述命名实体识别方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的命名实体识别方法、命名实体识别装置、电子设备及计算机可读存储介质，其通过获取原始句子数据；对原始句子数据进行词嵌入处理，得到原始词嵌入向量。基于预设词表对原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，能够将预设词表中的目标词段的词向量信息融入获取到的原始词嵌入向量的局部语义信息和语法信息中，提高融合词嵌入向量的语义完整性。进一步地，对融合词嵌入向量进行零值填充，得到初始词嵌入向量，能够在保持融合词嵌入向量的向量维度不变的情况下，获取融合词嵌入向量对应的词段字符到词段周围字符的位置信息，得到更多有效的相对位置信息，能够有利于在存在相同结尾字时识别出与当前实体对应的结尾信息，提高命名实体的识别准确性。进一步地，基于预先获取的参考句子描述特征对初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，能够将参考句子描述特征包含的语义信息融入到初始词嵌入向量的语义信息中，使得能够利用参考句子描述特征进行命名实体识别，从而提高识别准确性。进一步地，基于预设的候选标签对目标词嵌入向量进行标签预测，得到预测标签数据；对预测标签数据进行解码处理，得到原始句子数据的目标标签数据，能够较为方便地对目标词嵌入向量的位置和类别进行预测，得到目标词嵌入向量的预测标签数据，使得后续能够基于目标词嵌入向量的位置和类别进行实体提取和实体分类，提高命名实体的处理准确性。最后，根据目标标签数据，从原始句子数据中提取出目标实体对，目标实体对包括用于表征相反语义的一对句子信息，能够提高命名实体的识别准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中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，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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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。

上述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例方案的目的。

另外，在本申请各个实施例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，本申请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，包括多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)执行本申请各个实施例的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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种命名实体识别方法，其特征在于，所述方法包括：

获取原始句子数据；

对所述原始句子数据进行词嵌入处理，得到原始词嵌入向量；

基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量；

基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

基于预设的候选标签对所述目标词嵌入向量进行标签预测，得到预测标签数据；

对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据；

根据所述目标标签数据，从所述原始句子数据中提取出目标实体对，其中，所述目标实体对包括用于表征相反语义的一对句子信息。

2.根据权利要求1所述的命名实体识别方法，其特征在于，所述基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量，包括：

遍历所述预设词表，根据所述原始词嵌入向量对所述预设词表的每一候选词段进行筛选处理，得到目标词段；

对所述目标词段进行词嵌入处理，得到目标词向量；

对所述目标词向量和所述原始词嵌入向量进行向量融合，得到中间词嵌入向量；

将所述中间词嵌入向量映射到预设的向量空间，得到所述融合词嵌入向量，其中，所述融合词嵌入向量与所述原始词嵌入向量的向量维度相同。

3.根据权利要求1所述的命名实体识别方法，其特征在于，所述对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量，包括：

获取预设的卷积核；

基于所述卷积核对所述融合词嵌入向量进行零值填充，得到所述初始词嵌入向量，其中，所述初始词嵌入向量和所述融合词嵌入向量的向量维度相同。

4.根据权利要求1所述的命名实体识别方法，其特征在于，所述基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量，包括：

对所述初始词嵌入向量和每一所述参考句子描述特征进行点乘处理，得到初始向量权重；

基于预设的概率函数对所述初始向量权重进行概率化处理，得到目标向量权重；

根据所述目标向量权重对所述参考句子描述特征和所述初始词嵌入向量进行向量融合，得到所述目标词嵌入向量。

5.根据权利要求1所述的命名实体识别方法，其特征在于，所述候选类别标签包括候选类别标签和候选位置标签，所述基于预设函数和预设的候选类别标签对所述目标词嵌入向量进行标签预测，得到预测标签数据，包括：

通过所述预设函数和所述候选类别标签对所述目标词嵌入向量进行类别预测，得到第一预测数据；

通过所述预设函数和所述候选位置标签对所述目标词嵌入向量进行位置预测，得到第二预测数据；

根据所述第一预测数据和所述第二预测数据，得到所述预测标签数据。

6.根据权利要求1至5任一项所述的命名实体识别方法，其特征在于，所述对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据，包括：

对所述预测标签数据进行解码处理，得到每一所述候选类别标签对应的第一概率值和每一所述候选位置标签对应的第二概率值；

根据所述第一概率值和预设的第一概率阈值，筛选所述目标词嵌入向量，得到候选实体特征向量；

根据所述第二概率值和预设的第二概率阈值，筛选所述候选实体特征向量，得到目标实体特征向量；

基于所述目标实体特征向量的位置标签和类别标签，得到所述目标标签数据。

7.根据权利要求1至5任一项所述的命名实体识别方法，其特征在于，所述基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量之前，所述方法还包括：

获取预设的参考句子描述数据；

对所述参考句子描述数据进行编码处理，得到所述参考句子描述特征。

8.一种命名实体识别装置，其特征在于，所述装置包括：

句子数据获取模块，用于获取原始句子数据；

词嵌入模块，用于对所述原始句子数据进行词嵌入处理，得到原始词嵌入向量；

第一特征融合模块，用于基于预设词表对所述原始词嵌入向量进行第一特征融合，得到融合词嵌入向量；

向量填充模块，用于对所述融合词嵌入向量进行零值填充，得到初始词嵌入向量；

第二特征融合模块，用于基于预先获取的参考句子描述特征对所述初始词嵌入向量进行第二特征融合，得到目标词嵌入向量；

标签预测模块，用于基于预设的候选标签对所述目标词嵌入向量进行标签预测，得到预测标签数据；

解码模块，用于对所述预测标签数据进行解码处理，得到所述原始句子数据的目标标签数据；

实体提取模块，用于根据所述目标标签数据，从所述原始句子数据中提取出目标实体对，其中，所述目标实体对用于表征相反语义的一对句子信息。

9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任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，所述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7中任一项所述的命名实体识别方法。

Images