【技术实现步骤摘要】
实体识别模型的训练方法、实体识别方法及装置
[0001]本公开涉及数据处理
,尤其涉及知识图谱、深度学习等人工智能
,具体涉及一种实体识别模型的训练方法、实体识别方法及装置。
技术介绍
[0002]命名实体识别(Named Entity Recognition,NER)是自然语言处理中非常基础和重要的任务之一,应用范围十分广泛。命名实体通常指文本中具有特定意义或者指代性强的实体,通常包括人名、地名、组织机构名、日期时间、专有名词等。命名实体识别系统就是从非结构化的输入文本中抽取出上述实体,并且可以按照业务需求识别出更多类别的实体,比如产品名称、型号、价格等。
[0003]目前很多命名实体识别的方法需要大量的标注训练数据,而在真实应用场景下,大量人工标注数据是很难获得的,且获得大量高质量的标注数据需要较高的人工成本,需要在标注数据不足的情况下,解决命名实体识别的任务。
技术实现思路
[0004]本公开提供了一种实体识别模型的训练方法、实体识别方法及装置。
[0005]根据本公开的第一方面,提供了一种实体识别模型的训练方法,包括:
[0006]对第一训练集进行数据增强,得到增强后的第二训练集;第一训练集包括已标注样本数据,已标注样本数据的数量小于第一指定数量;
[0007]基于第二训练集对第一实体识别模型进行训练,得到训练出的第二实体识别模型;
[0008]通过第二实体识别模型对第三训练集进行实体标注,得到标注后的第四训练集;第三训练集包括未标注样本数据 ...
【技术保护点】
【技术特征摘要】
1.一种实体识别模型的训练方法,包括:对第一训练集进行数据增强,得到增强后的第二训练集;所述第一训练集包括已标注样本数据,所述已标注样本数据的数量小于第一指定数量;基于所述第二训练集对第一实体识别模型进行训练,得到训练出的第二实体识别模型;通过所述第二实体识别模型对第三训练集进行实体标注,得到标注后的第四训练集;所述第三训练集包括未标注样本数据,所述未标注样本数据的数量大于或等于所述第一指定数量;基于所述第四训练集对所述第一实体识别模型进行训练,得到训练出的第三实体识别模型。2.根据权利要求1所述的实体识别模型的训练方法,还包括:基于指定领域的语料对预训练语言模型进行训练,得到训练后的预训练语言模型,作为所述第一实体识别模型。3.根据权利要求1或2所述的实体识别模型的训练方法,还包括:通过所述第二实体识别模型对所述第一训练集进行实体标注,得到标注后的第五训练集;基于所述第五训练集对所述第三实体识别模型进行迭代训练,得到训练出的第四实体识别模型。4.根据权利要求3所述的实体识别模型的训练方法,其中,每次迭代训练,包括:基于当前的第五训练集对当前的第三实体识别模型进行训练;通过训练后的第三实体识别模型对所述第四训练集和经所述第二实体识别模型标注后的第五训练集进行实体标注;在经所述训练后的第三实体识别模型标注后的第四训练集和第五训练集中确定模型难分样本;所述模型难分样本为令所述训练后的第三实体识别模型的区分能力低于预设的区分条件的样本数据;确定所述模型难分样本的数量是否大于第二指定数量;在所述模型难分样本的数量大于所述第二指定数量的情况下,将所述模型难分样本添加到当前的第五训练集中,得到新的第五训练集;在所述模型难分样本的数量小于或等于所述第二指定数量的情况下,结束所述迭代训练。5.根据权利要求4所述的实体识别模型的训练方法,其中,将所述模型难分样本添加到当前的第五训练集中,包括:响应于添加指令,将所述模型难分样本添加到当前的第五训练集中,得到新的第五训练集;所述添加指令为对所述模型难分样本进行人工标注后生成的指令。6.根据权利要求4所述的实体识别模型的训练方法,每次迭代训练还包括:通过所述训练后的第三实体识别模型对测试集进行实体标注,得到标注效果值,作为第一标注效果值;确定所述第一标注效果值是否小于第二标注效果值;所述第二标注效果值是上一次迭代训练中对所述测试集进行实体预测得到的标注效果值;
在所述第一标注效果值小于第二标注效果值的情况下,结束所述迭代训练。7.根据权利要求1或2所述的实体识别模型的训练方法,其中,至少部分未标注样本数据为指定领域的样本数据。8.一种实体识别方法,包括:获取待标注数据;通过实体识别模型对所述待标注数据进行实体标注;所述实体识别模型是通过权利要求1
‑
7中任一项所述的实体识别模型的训练方法训练出的。9.一种实体识别模型的训练装置,包括:数据增强模块,用于对第一训练集进行数据增强,得到增强后的第二训练集;所述第一训练集包括已标注样本数据,所述已标注样本数据的数量小于第一指定数量;第一训练模块,用于基于所述第二训练集对第一实体识别模型进行训练,得到训练出的第二实体识别模型;第一标注模块,用于通过所述第二实体识别模型对第三训练集进行实体标注,得到标注后的第四训练集;所述第三训练集包括未标注样本数据,所述未标注样本数据的数量大于或等于所述第一指定数量;第二训练模块,用...
【专利技术属性】
技术研发人员:张惠蒙,黄昉,史亚冰,蒋烨,柴春光,朱勇,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。