基于Bi-LSTM-CRF的商业领域命名实体识别

发布时间：2021-07-03 03:11

　　[目的/意义]为解决目前网络公开平台的多源异构的企业数据的散乱、无序、碎片化问题,提出Bi-LSTM-CRF深度学习模型进行商业领域中的命名实体识别工作。[方法/过程]该方法包括对企业全称实体、企业简称实体与人名实体3类命名实体识别。[结果/结论]实验结果显示对企业全称实体、企业简称实体与人名实体3类命名实体识别的识别率平均F值为90.85%,验证了所提方法的有效性,证明了本研究有效地改善了商业领域中的命名实体识别效率。 

【文章来源】：现代情报. 2020,40(03)CSSCI

【文章页数】：8 页

【部分图文】：

Bi-LSTM-CRF命名实体识别模型

1)遗忘门的计算。选择需要丢弃的信息。其输入为前一时间的隐层状态ht-1和当前输入词Xt,输出结果为遗忘门的值ft,计算过程可表示为:ft=σ(Wf·[ht-1,xt]+bf) (1)

通过LSTM运算,最终可以得到一个与句子有相同长度的隐层装填序列(h0,h1,…,hn-1)。相比于传统的RNN模型,LSTM在大多数任务中都能取得更好的效果。2.3.2 BI-LSTM

【参考文献】：
期刊论文
[1]基于LSTM-CRF的中医医案症状术语识别[J]. 李明浩,刘忠,姚远哲.  计算机应用. 2018(S2)
[2]基于大数据平台的企业画像研究综述[J]. 田娟,朱定局,杨文翰.  计算机科学. 2018(S2)
[3]基于深度学习的中文机构名识别研究——一种汉字级别的循环神经网络方法[J]. 朱丹浩,杨蕾,王东波.  现代图书情报技术. 2016(12)
[4]命名实体识别研究进展综述[J]. 孙镇,王惠临.  现代图书情报技术. 2010(06)



本文编号：3261745