基于BI-LSTM-CRF的作战文书命名实体识别

发布时间：2021-03-18 16:22

　　为解决部分军事命名实体导致规则、统计等传统模型识别率不高的问题,提出一种基于双向长短期记忆—条件随机场（BI-LSTM-CRF）的作战文书命名实体识别方法。介绍作战文书命名实体识别的概念、特点,给出模型具体训练方法与步骤,在手工构建的数据集上进行开放性测试。结果表明,该方法能有效提升作战文书命名实体的识别准确率,模型最终的识别精确率和召回率分别达到91.40%和90.43%。 

【文章来源】：信息工程大学学报. 2019,20(04)

【文章页数】：6 页

【部分图文】：

BI-LSTM-CRF模型基本结构

基于BI-LSTM-CRF的作战文书命名实体识别方法的基本思路:输入一个句子，使用双向LSTM模型的隐层作为输入，经过一个CRF层，得到可表示命名实体的标注序列。该方法有效结合了CRF和LSTM的优点，且双向的网络结构能更有效地获取目标词的上下文信息，从而提高作战文书命名实体的识别效果。基于BI-LSTM-CRF的作战文书命名实体识别步骤如图2所示。3.2 预处理及训练集标注

一般认为，词向量的维度越大，包含词的信息就越多。分别采取50维、100维、200维、300维、400维5个不同维度的词向量进行了测试。结果表明，当维度到达200维后，对训练的收敛速度影响变小，且对最终得分影响不大(如图5所示)。因此，该方法依赖于数据集的规模，在一定量的数据集下，词向量维度到达一定维数后，对性能提升的作用较小，会大量增加内存的消耗。图4 不同优化器的表现

【参考文献】：
期刊论文
[1]基于神经网络的片段级中文命名实体识别[J]. 王蕾,谢云,周俊生,顾彦慧,曲维光.  中文信息学报. 2018(03)
[2]基于CNN-BLSTM-CRF模型的生物医学命名实体识别[J]. 李丽双,郭元凯.  中文信息学报. 2018(01)
[3]基于深度神经网络的武器名称识别[J]. 游飞,张激,邱定,于铭华.  计算机系统应用. 2018(01)
[4]小粒度策略下基于CRFs的军事命名实体识别方法[J]. 单赫源,张海粟,吴照林.  装甲兵工程学院学报. 2017(01)
[5]面向军事文本的命名实体识别[J]. 冯蕴天,张宏军,郝文宁.  计算机科学. 2015(07)
[6]基于CRF和规则相结合的地理命名实体识别方法[J]. 何炎祥,罗楚威,胡彬尧.  计算机应用与软件. 2015(01)
[7]双层CRF与规则相结合的中文地名识别方法研究[J]. 孙虹,陈俊杰.  计算机应用与软件. 2014(11)
[8]CRF与规则相结合的军事命名实体识别研究[J]. 姜文志,顾佼佼,丛林虎.  指挥控制与仿真. 2011(04)
[9]作战文书关键信息抽取方法[J]. 李畅,王永良,冯晓洁,聂峰.  兵工自动化. 2011(05)
[10]CRF与规则相结合的地理空间命名实体识别[J]. 鞠久朋,张伟伟,宁建军,周国栋.  计算机工程. 2011(07)



本文编号：3088599