基于知识增强卷积神经网络的标的物命名实体识别方法

摘要

针对招标文件中,“标的物”作为命名实体存在着分词错误、多个名词并列现象导致的真实意图标的物命名实体提取困难问题,提出一种基于知识增强卷积神经网络(CNN)的标的物命名实体识别方法。该方法首先构建了针对招标文件的正则表达式,实现包含标的物短语的定位。然后利用基于知识增强卷积神经网络,在输入层将标的物定位短语和其上下文信息作为输入,通过卷积层对特征进行提取,最后通过Softmax层输出实体标注结果。在2017~2020年的19,980份招标文件的数据集上,本方法的平均准确率为0.96,与深度神经网络(DNN)、循环神经网络(RNN)和Hopfield神经网络(HNN)相比准确率分别提升了1.2%、0.4%和0.3%。实验结果表明本方法能够进一步提高标的物命名实体识别的准确率,使得企业在智能化标的物提取过程中取得更优的效果。