基于LSTM模型的命名实体识别研究及应用

发布时间：2024-03-24 21:52

　　随着数据挖掘和云服务等智能技术的飞速发展,互联网中日益增长着大量的数据信息,其中包含了大量的文本数据,这些数量庞大的文本数据蕴含着巨大的社会价值。但是,由于日常生活中的文本信息大都以非结构化的形式存在,使得计算机无法高效地处理这些数据,进而使得提取到的有价值的信息很少。命名实体识别是一种可以从非结构化的文本中抽取结构化信息的智能信息处理技术,在自然语言处理领域中具有关键性的作用。本文的研究内容主要是对于提升命名实体识别模型性能进行的探索,重点研究面向中文语料的命名实体识别技术。本文的研究工作主要包括:(1)设计并实现了一种基于Bi LSTM-QRNN-CRF的中文命名实体识别模型。通过研究和分析近年来命名实体识别广泛应用的长短期记忆网络模型(LSTM)、双向长短期记忆网络模型(Bi LSTM)和双向长短期记忆网络-条件随机场模型(Bi LSTM-CRF),在此基础上设计了基于Bi LSTM-QRNN-CRF的中文命名实体识别模型,该模型丰富了输入数据的特征信息,进一步提升了识别效果。该方法采用了应用最广泛也是最成熟的Bi LSTM-CRF模型作为基础模型,引入了准循环神经网络(QRNN...

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图3.4三种模型的识别精度趋势图

山东理工大学硕士学位论文第三章基于BiLSTM-QRNN-CRF的中文命名实体识别模型26图3.4三种模型的识别精度趋势图Fig.3.4Trendofrecognitionaccuracyofthreemodels图3.4画出了不同Epoch次数下的三种模型的F1值的对比图。通过....

图3.5三种模型的训练时间对比图

山东理工大学硕士学位论文第三章基于BiLSTM-QRNN-CRF的中文命名实体识别模型26图3.4三种模型的识别精度趋势图Fig.3.4Trendofrecognitionaccuracyofthreemodels图3.4画出了不同Epoch次数下的三种模型的F1值的对比图。通过....

图4.2实验结果对比图

山东理工大学硕士学位论文第四章基于多神经网络协同训练的中文命名实体识别模型33模型在不同的数据集上的识别效果对比图。在图上可以直观的看出，在MSRA数据集上，BiLSTM-QRNN-CRF模型的识别效果会更好。而在简历数据集上，TMNN模型的识别效果会更好。综合上述实验结果可以看....

图4.4系统登录界面

山东理工大学硕士学位论文第四章基于多神经网络协同训练的中文命名实体识别模型36图4.4系统登录界面Fig.4.4Systemlogininterface图4.5为命名实体识别界面，界面化的识别系统是用户与算法模型之间进行数据交互的纽带，可以改变传统枯燥的命令行交互形式，直接将识别....

本文编号：3938069