【技术实现步骤摘要】
本专利技术涉及命名实体识别领域，更为具体的，涉及一种词向量和类别向量融合下的命名实体识别方法及装置。
技术介绍
1、随着人工智能技术的发展，命名实体识别技术已从最初的基于规则的方式、基于统计的方式向基于机器学习的方式演变，尤其是结合深度学习进行命名实体识别已成为主要发展趋势。
2、基于深度学习的命名实体识别方式需要考虑数据集构建、文本向量化表示和深度学习模型建立等问题。由深度学习模式下命名实体识别实现原理可知，命名实体识别离不开文本特征的选取和处理，这些特征可通过一定技术手段表征在文本词向量中。当前，命名实体识别中的词向量大多是对文本语义、语法、词性、结构等特征的表征，本身不包含是否为实体或者属于哪类实体的表征信息。为此，本专利技术引入类别向量这一概念，利用类别向量来表征文本所属实体类型，并将其与词向量拼接后生成融合向量，得到更加丰富的文本表征信息。再以融合向量的构建和基于融合向量的命名实体识别为目标，结合目前命名实体识别领域性能突出的bert、bilstm、crf等技术来生成融合向量及命名实体识别知识，以此实现词向量和类别...
【技术保护点】
1.一种词向量和类别向量融合下的命名实体识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，所述采用词向量表征文本语言信息，引入类别向量表征文本所属实体类型，学习词向量和类别向量的对应关系，并将两者拼接生成文本的融合向量，具体包括子步骤：
3.根据权利要求2所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤S13中，所述分类器包括Softmax分类器。
4.根据权利要求2所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤S13中，所述全连...
【技术特征摘要】
1.一种词向量和类别向量融合下的命名实体识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，所述采用词向量表征文本语言信息，引入类别向量表征文本所属实体类型，学习词向量和类别向量的对应关系，并将两者拼接生成文本的融合向量，具体包括子步骤：
3.根据权利要求2所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤s13中，所述分类器包括softmax分类器。
4.根据权利要求2所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤s13中，所述全连接层采用线性神经网络，线性神经网络输入维度等于h(t)的维度，输出维度为设定的类别种数。
5.根据权利要求3所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤s14中，所述分类器为softmax分类器。
6.根据权利要求2所述的词向量和类别向量融合下的命名实体识别方法，其特征在于，在步骤s15中，所述多个类别向量组成类别向量矩阵之后，还包括子步骤：将类别向量矩阵大小定义为“类别种数×单个类别向量维度”；所述“类别种数×单个类别向量维度”包括：设定类别有非实体、实体i、实体ii和实体iii共4种，设定单个类别向量维度为50时，类别向量矩阵大小为4×50。
7.根据权利要求1...
【专利技术属性】
技术研发人员：周阳，曾浩洋，张位，刘佳诚，
申请(专利权)人：中国电子科技集团公司第三十研究所，
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。