申请/专利权人：南京邮电大学

申请日：2020-12-28

公开（公告）日：2021-04-13

公开（公告）号：CN112651245A

主分类号：G06F40/295(20200101)

分类号：G06F40/295(20200101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2021.04.30#实质审查的生效;2021.04.13#公开

摘要：本发明提供了一种序列标注模型及序列标注方法，包括输入层，BiLSTM网络层和CRF层。利用该模型进行序列标注任务时，首先在输入层加入ELMo字向量作为额外特征，使每个字符的表示是其字符向量和ELMo表示的拼接，其次在BiLSTM网络层中除了使用正向LSTM网络学习每个字符的历史特征，也以逆序将序列输入到反向LSTM网络中学习每个字符的后续特征，将字符的上下文特征拼接输入到CRF层，最后使用条件随机场进行联合建模得到全局最优的标签序列。本发明提供的方法在中文命名实体识别的数据集如Boson、LDC2009等上取得了良好的性能，其平均性能F1值提高了4.95％。

主权项：1.一种序列标注模型，其特征在于，所述序列标注模型采用的基本框架是BiLSTM-CRF模型，并添加预训练的语言模型ELMo的字向量作为额外特征，所述序列标注模型包括：输入层：用于输入由n个字符组成的句子sentence＝w1w2...wn，并通过查询字向量表将所述句子中的每一字符映射为向量序列，所述输入层引入ELMo的字向量作为额外特征；BiLSTM网络层：包括前向长短时记忆网络LSTM和后向长短时记忆网络LSTM，所述前向长短时记忆网络LSTM用于作为从后往前计算序列的表示，所述后向长短时记忆网络LSTM用于作为反向计算相同序列的表示，所述BiLSTM网络层用于接收输入层中得到的向量序列并作为输入，以获得每个字符的上下文特征；CRF层：用于接收BiLSTM网络层的输出，并引入转移矩阵来对整个句子的向量序列进行全局最优解码。

全文数据：

权利要求：

百度查询： 南京邮电大学 序列标注模型及序列标注方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD