基于深度学习的渔业领域命名实体识别.PDFVIP

第３３卷第２期 大 连 海 洋 大 学 学 报 Ｖｏｌ.３３Ｎｏ.２ ２０ １８ 年 ４ 月 ＪＯＵＲＮＡＬ ＯＦ ＤＡＬＩＡＮ ＯＣＥＡＮ ＵＮＩＶＥＲＳＩＴＹ Ａｐｒ .２０ １８ － － － ＤＯＩ:１０.１６５３５/ ｊ.ｃｎｋｉ.ｄｌｈｙｘｂ.２０１８.０２.０２０ 文章编号:２０９５ １３８８(２０１８)０２ ０２６５ ０５ 基于深度学习的渔业领域命名实体识别 孙娟娟ꎬ 于红ꎬ 冯艳红ꎬ 彭松ꎬ 程名ꎬ 卢晓黎ꎬ 董婉婷ꎬ 崔榛 (大连海洋大学 信息工程学院ꎬ 辽宁省海洋信息技术重点实验室ꎬ 辽宁 大连 １１６０２３) 摘要:为了解决基于分词的渔业领域命名实体识别效果受分词准确度影响这一问题ꎬ 采用一种基于深度学 习的渔业领域命名实体识别方法ꎮ 该方法使用神经网络训练得到字向量作为模型输入ꎬ 避免了分词不准确 对渔业领域命名实体识别效果造成的影响ꎻ 针对渔业领域命名实体长度较长这一特点ꎬ 使用ＬＳＴＭ单元保 ＋ ＋ 持较长时间记忆信息ꎬ 并将标记信息融入到ＣＲＦ模型中构建 Ｃｈａｒａｃｔｅｒ ＬＳＴＭ ＣＲＦ实体识别模型ꎮ 为验证 ＋ ＋ 方法的有效性ꎬ 在渔业领域语料集上进行多组实验ꎬ 结果表明ꎬ 本研究中提出的Ｃｈａｒａｃｔｅｒ ＬＳＴＭ ＣＲＦ方 法具有较好的效果ꎬ 与 ＬＳＴＭ 模型相比较ꎬ 在准确率、 召回率、 Ｆ 值上分别提升了 ３３９％、 ２９９％、 ３１９％ꎬ 对于渔业领域实体识别具有较好的效果ꎮ 关键词:字向量ꎻ ＬＳＴＭ模型ꎻ ＣＲＦ模型ꎻ 实体识别 中图分类号: ＴＰ３９１　 　 　 　 文献标志码: Ａ 　 　 渔业命名实体识别是对渔业领域文本进行深层 编码器获取用于有色金属领域实体识别的最优特征 [１０] 次分析的基础ꎬ 对渔业领域问答系统、 舆情分析等 向量组合ꎻ 候伟涛等 使用双向ＬＳＴＭ 神经网络 [１] 研究具有重要意义 ꎮ 早期命名实体的识别主要 学习文本的隐藏特征用于医疗事件识别ꎮ 这些方法 [２] 采用基于规则的方式ꎬ周昆 使用预先定义的规则 均使用深度学习模型进行特征学习ꎬ 在相应领域的 [３] 来抽取各种类别的实体ꎬ 程志刚 采用基于规则 命名实体识别中均获得了较好效果ꎮ 但是由于中文 和条件随机场的方法来进行中文命名实体识别研 缺少明显的空格标记ꎬ 需要做分词处理ꎬ 而现有的 究ꎮ 基于规则的命名实体识别方法需要富有经验的 分词方法对于特定领域的专业术语分词错误率很 专家总结规则ꎬ 模型的稳定性依赖专家的知识结 高ꎮ 为解决高分词错误率对实体识别任务的影响ꎬ [１１] 构ꎬ 不同专家给出的