基于LSTM-CRF的军事动向文本实体识别方法

发布时间：2021-03-16 20:47

　　军事动向文本包含了丰富的情报信息,因目前对非结构化格式数据进行分析处理仍以人工研判为主,故严重制约了情报分析的智能化水平,已成为信息系统情报分析的瓶颈。为了提升文本分析效率,提出使用条件随机场（CRF）与长短时记忆神经网络（LSTM）相结合的LSTM-CRF模型,通过加入预先训练的字嵌入向量及不同词位标注集,对军事动向文本进行实体识别。试验分析表明,LSTM-CRF模型简化了传统实体识别过程,实体识别准确度可达86%,具有工程实用性。 

【文章来源】：指挥信息系统与技术. 2020,11(06)

【文章页数】：5 页

【部分图文】：

LSTM?CRF模型

LSTM网络结构

试验流程

【参考文献】：
期刊论文
[1]基于知识图谱的网络安全数据组织方法[J]. 张阳,王佳贺,魏凡翔,魏松杰.  指挥信息系统与技术. 2019(06)
[2]基于BILSTMCRF的知识图谱实体抽取方法[J]. 翟社平,段宏宇,李兆兆.  计算机应用与软件. 2019(05)
[3]基于条件随机场的非规范化中文地址解析方法[J]. 许也,申柏希,徐翔,李军.  地理与地理信息科学. 2019(02)
[4]基于字级别条件随机场的医学实体识别[J]. 何彬,关毅.  智能计算机与应用. 2019(02)
[5]基于深度神经网络的网络安全实体识别方法[J]. 秦娅,申国伟,赵文波,陈艳平.  南京大学学报(自然科学). 2019(01)
[6]基于BI＿LSTM＿CRF神经网络的序列标注中文分词方法[J]. 姚茂建,李晗静,吕会华,姚登峰.  现代电子技术. 2019(01)
[7]基于深度学习的文本表示方法[J]. 李枫林,柯佳.  情报科学. 2019(01)
[8]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏.  清华大学学报(自然科学版). 2019(07)
[9]基于LSTM-CRF命名实体识别技术的研究与应用[J]. 张聪品,方滔,刘昱良.  计算机技术与发展. 2019(02)
[10]一种基于word2vec的文本分类方法[J]. 薛炜明,侯霞,李宁.  北京信息科技大学学报(自然科学版). 2018(01)



本文编号：3086581