命名实体识别模型获取及命名实体识别方法、装置及介质

摘要

本公开公开了命名实体识别模型获取及命名实体识别方法、装置及介质，涉及自然语言处理、深度学习及计算机视觉等人工智能领域，其中的模型获取方法可包括：对训练文本进行分词处理，利用各分词结果组成第一序列；将第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字；将进行拆分处理后的所述第一序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量作为命名实体识别模型的输入，训练命名实体识别模型。应用本公开所述方案，可提升模型训练效果及模型性能，并可相应地提升基于模型得到的命名实体识别结果的准确性等。

说明书

技术领域

本公开涉及人工智能技术领域，特别涉及自然语言处理、深度学习及计算机视觉等领域的命名实体识别模型获取及命名实体识别方法、装置及介质。

背景技术

命名实体识别(NER，Named Entity Recognition)是指识别出文本中特定类别的实体词，如人名、地名、机构名等。

命名实体识别任务是典型的序列标注任务，目前多基于神经网络模型实现，神经网络模型可预先训练得到。根据模型的输入处理的不同，可分为基于字粒度和基于词粒度的两种不同实现方式。

其中，基于词粒度的方式需要进行分词，而分词容易出现错误，导致错误传递，而且难以解决新词问题，通常情况下，词的表示需要在训练过程中学习，因此模型难以表示新词，这些都会影响模型训练效果和模型性能以及基于模型得到的识别结果的准确性等，另外，基于字粒度的方式除了需要区分实体词的类别外，还需要区分实体词的边界，模型学习难度比较大等。

发明内容

本公开提供了命名实体识别模型获取及命名实体识别方法、装置及介质。

一种命名实体识别模型获取方法，包括：

对训练文本进行分词处理，利用各分词结果组成第一序列；

将所述第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字；

将进行拆分处理后的所述第一序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量作为命名实体识别模型的输入，训练所述命名实体识别模型。

一种命名实体识别方法，包括：

对待识别文本进行分词处理，利用各分词结果组成第二序列；

将所述第二序列中至少包括两个单字且为非高频词的分词结果拆分为单字；

将进行拆分处理后的所述第二序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量输入预先训练得到的命名实体识别模型，得到所述待识别文本对应的命名实体识别结果。

一种命名实体识别模型获取装置，包括：第一分词模块、第一拆分模块以及模型训练模块；

所述第一分词模块，用于对训练文本进行分词处理，利用各分词结果组成第一序列；

所述第一拆分模块，用于将所述第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字；

所述模型训练模块，用于将进行拆分处理后的所述第一序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量作为命名实体识别模型的输入，训练所述命名实体识别模型。

一种命名实体识别装置，包括：第二分词模块、第二拆分模块以及结果获取模块；

所述第二分词模块，用于对待识别文本进行分词处理，利用各分词结果组成第二序列；

所述第二拆分模块，用于将所述第二序列中至少包括两个单字且为非高频词的分词结果拆分为单字；

所述结果获取模块，用于将进行拆分处理后的所述第二序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量输入预先训练得到的命名实体识别模型，得到所述待识别文本对应的命名实体识别结果。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：采用基于字词混合粒度的方式，由于高频词的分词错误率较低，因此将高频词以词粒度输入模型，从而尽可能地避免了分词错误对模型造成的影响，对于非高频词即低频词以字粒度输入模型，使得模型可以学习低频词的构词规则，从而尽可能地克服了新词问题，另外，还可相比于基于字粒度的方式降低模型学习难度等，总之，采用本公开所述基于字词混合粒度的方式，可显著地提升模型训练效果及模型性能，并可相应地提升基于模型得到的命名实体识别结果的准确性等。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述命名实体识别模型获取方法实施例的流程图；

图2为本公开所述命名实体识别方法实施例的流程图；

图3为本公开所述命名实体识别过程的示意图；

图4为本公开所述命名实体识别模型获取装置40实施例的组成结构示意图；

图5为本公开所述命名实体识别装置50实施例的组成结构示意图；

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述命名实体识别模型获取方法实施例的流程图。如图1 所示，包括以下具体实现方式。

在步骤101中，对训练文本进行分词处理，利用各分词结果组成第一序列。

如何对训练文本进行分词处理不作限制。比如，可采用现有的分词器对训练文本进行分词处理。

对于任一分词结果来说，其中可能仅包括一个单字，也可能包括多个单字。可利用各分词结果组成第一序列。

在步骤102中，将第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

对于第一序列中至少包括两个单字的分词结果，当其为非高频词时，可将其拆分为单字。非高频词也可称为低频词。

在步骤103中，将进行拆分处理后的第一序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量作为命名实体识别模型的输入，训练命名实体识别模型。

经过拆分处理后，第一序列将由单字以及至少包括两个单字的高频词组成，单字包括拆分得到的单字以及仅包括一个单字的分词结果等。

可按照现有方式分别获取第一序列中的各单字对应的字嵌入向量以及各高频词对应的词嵌入向量，作为命名实体识别模型的输入，训练命名实体识别模型。

可以看出，上述方法实施例中，采用了基于字词混合粒度的方式，由于非低频词即高频词的分词错误率较低，因此将高频词以词粒度输入模型，从而尽可能地避免了分词错误对模型造成的影响，对于低频词以字粒度输入模型，使得模型可以学习低频词的构词规则，从而尽可能地克服了新词问题，另外，现有的基于词粒度的方式因为词表比较大，导致词嵌入层占用大量的内存空间，而采用本公开所述基于字词混合粒度的方式，可减少对于内存空间的占用，再有，相比现有的基于字粒度的方式，本公开所述基于字词混合粒度的方式可降低模型学习难度，并可降低输入模型的整体序列长度等，总之，采用本公开所述基于字词混合粒度的方式，可显著地提升模型训练效果及模型性能等。

命名实体识别模型为神经网络模型，如可为基于双向长短期记忆网络-条件随机场(BiLSTM_CRF，Bidirectional Long-Short-Term Memory with Conditional RandomField)模型。

在对命名实体识别模型进行训练时，针对任一训练文本，可首先对其进行分词处理，并利用各分词结果组成第一序列，之后可将第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

具体地，针对任一至少包括两个单字的分词结果，若确定该分词结果没有位于预先生成的高频词表中，则可确定该分词结果为非高频词，并可将该分词结果拆分为M个单字，M表示该分词结果中包括的单字的数量。

比如，某一分词结果a由单字1和单字2组成，该分词结果没有位于高频词表中，那么则可确定分词结果a为非高频词，并可将其拆分为单字1和单字2。

再比如，某一分词结果b由单字3、单字4、单字5和单字6组成，分词结果b也没有位于高频词表中，那么则可确定分词结果b为非高频词，并可将其拆分为单字3、单字4、单字5和单字6。

针对任一至少包括两个单字的分词结果，若确定该分词结果位于高频词表中，则可确定该分词结果为高频词，并可维持该分词结果不变，即不进行拆分。

比如，某一分词结果c由单字7和单字8组成，分词结果c位于高频词表中，那么则可确定分词结果c为高频词，维持分词结果c不变。

通过上述处理，可方便准确地区分出高频词和非高频词，从而为后续处理奠定了良好的基础。

可预先生成高频词表。生成方式可包括：分别对各训练文本进行分词处理；分别获取各分词结果的出现频率；将出现频率大于预定阈值且至少包括两个单字的分词结果作为高频词，利用各高频词组成高频词表。

训练文本即指命名实体识别模型的训练样本。训练文本的具体数量不限，可根据实际需要而定。

针对每个训练文本，可分别对其进行分词处理，如可与步骤101中所述的分词处理采用同样的分词器。之后，可分别获取各分词结果的出现频率，如可针对每个分词结果，分别统计其出现次数，将出现次数大于预定阈值的分词结果作为高频词。利用得到的各高频词，即可组成高频词表。所述阈值的具体取值可根据实际需要而定。另外，通常来说，高频词需要为至少包括两个单字的词。

进一步地，若确定任一分词结果出现实体词分词边界错误的情况，则可过滤掉该分词结果，并将剩余的分词结果中出现频率大于预定阈值且至少包括两个单字的分词结果作为高频词。

训练文本作为命名实体识别模型的训练样本，会存在对应的标签，即对不同实体类别进行了标注。在进行分词处理时，可能会出现实体词分词边界错误的情况，比如，训练文本中出现了“爱拼多多”的表述，“拼多多”为一个实体词，在分词时，将“爱拼多多”分词为了“爱拼”和“多多”，那么则为实体词分词边界错误的情况。

通过上述处理，降低了高频词的分词错误率，从而提升了基于高频词表所进行的后续处理的准确性等。

对于第一序列，经过拆分处理后，可得到高频词基于词粒度、其它如非高频词等基于字粒度的字词混合粒度序列。

可将第一序列中的各单字对应的字嵌入向量及各高频词对应的词嵌入向量作为命名实体识别模型的输入，训练命名实体识别模型。如何获取字嵌入向量和词嵌入向量以及如何训练命名实体识别模型为现有技术。

图2为本公开所述命名实体识别方法实施例的流程图。如图2所示，包括以下具体实现方式。

在步骤201中，对待识别文本进行分词处理，利用各分词结果组成第二序列。

在步骤202中，将第二序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

在步骤203中，将进行拆分处理后的第二序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量输入预先训练得到的命名实体识别模型，得到待识别文本对应的命名实体识别结果。

完成对于命名实体识别模型的训练后，即可利用命名实体识别模型来对待识别文本进行命名实体识别，并可提升命名实体识别结果的准确性等。

如何对待识别文本进行分词处理不作限制。比如，可采用现有的分词器对待识别文本进行分词处理。

可利用各分词结果组成第二序列，并可将第二序列中至少包括两个单字且为非高频词的分词结果拆分为单字。具体地，针对任一至少包括两个单字的分词结果，若确定该分词结果没有位于预先生成的高频词表中，则可确定该分词结果为非高频词，并可将该分词结果拆分为M个单字，M表示该分词结果中包括的单字的数量。

针对任一至少包括两个单字的分词结果，若确定该分词结果位于高频词表中，则可确定该分词结果为高频词，并可维持该分词结果不变，即不进行拆分。

进一步地，可将进行拆分处理后的第二序列中的各单字对应的字嵌入向量及至少包括两个单字的各高频词对应的词嵌入向量输入命名实体识别模型，从而得到待识别文本对应的命名实体识别结果。

基于前述介绍，图3为本公开所述命名实体识别过程的示意图。

如图3所示，假设待识别文本为“张三是中国篮球明星”，可首先对“张三是中国篮球明星”进行分词处理，从而得到各分词结果，即“张三”、“是”、“中国”、“篮球”和“明星”，可利用“张三”、“是”、“中国”、“篮球”和“明星”组成第二序列。

之后，可基于高频词表确定出第二序列中至少包括两个单字且为非高频词的分词结果，即进行低频词过滤，假设为“张三”，那么可将其拆分为单字，即拆分为“张”和“三”两个单字，从而得到由“张”、“三”、“是”、“中国”、“篮球”和“明星”组成的第二序列。

之后，可分别将“张”、“三”和“是”等单字对应的字嵌入向量以及“中国”、“篮球”和“明星”等高频词对应的词嵌入向量作为命名实体识别模型的输入，从而得到“张三是中国篮球明星”对应的命名实体识别结果。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述命名实体识别模型获取装置40实施例的组成结构示意图。如图4所示，包括：第一分词模块401、第一拆分模块402以及模型训练模块403。

第一分词模块401，用于对训练文本进行分词处理，利用各分词结果组成第一序列。

第一拆分模块402，用于将第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

模型训练模块403，用于将进行拆分处理后的第一序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量作为命名实体识别模型的输入，训练命名实体识别模型。

针对任一训练文本，第一分词模块401可对其进行分词处理，并可利用各分词结果组成第一序列，之后第一拆分模块402可将第一序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

具体地，第一拆分模块402可针对任一至少包括两个单字的分词结果，若确定该分词结果没有位于预先生成的高频词表中，则确定该分词结果为非高频词，并将该分词结果拆分为M个单字，M表示该分词结果中包括的单字的数量。

第一拆分模块402还可针对任一至少包括两个单字的分词结果，若确定该分词结果位于高频词表中，则确定该分词结果为高频词，并维持该分词结果不变，即不进行拆分。

相应地，图4所示装置中还可包括：预处理模块400，用于分别对各训练文本进行分词处理，并分别获取各分词结果的出现频率，将出现频率大于预定阈值且至少包括两个单字的分词结果作为高频词，利用各高频词组成高频词表。

预处理模块400还可进行以下处理：若确定任一分词结果出现实体词分词边界错误的情况，则过滤掉该分词结果，并将剩余的分词结果中出现频率大于预定阈值且至少包括两个单字的分词结果作为高频词。

模型训练模块403可将进行拆分处理后的第一序列中的各单字对应的字嵌入向量及各高频词对应的词嵌入向量作为命名实体识别模型的输入，训练命名实体识别模型。

图5为本公开所述命名实体识别装置50实施例的组成结构示意图。如图 5所示，包括：第二分词模块501、第二拆分模块502以及结果获取模块503。

第二分词模块501，用于对待识别文本进行分词处理，利用各分词结果组成第二序列。

第二拆分模块502，用于将第二序列中至少包括两个单字且为非高频词的分词结果拆分为单字。

结果获取模块503，用于将进行拆分处理后的第二序列中的单字对应的字嵌入向量及至少包括两个单字的高频词对应的词嵌入向量输入预先训练得到的命名实体识别模型，得到待识别文本对应的命名实体识别结果。

其中，第二拆分模块502可针对任一至少包括两个单字的分词结果，若确定该分词结果没有位于预先生成的高频词表中，则确定该分词结果为非高频词，并将该分词结果拆分为M个单字，M表示该分词结果中包括的单字的数量。

第二拆分模块502还可针对任一至少包括两个单字的分词结果，若确定该分词结果位于高频词表中，则确定该分词结果为高频词，并维持该分词结果不变。

图4和图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可提升命名实体识别模型的模型训练效果及模型性能，并可相应地提升基于模型得到的命名实体识别结果的准确性等。

本公开所述方案可应用于人工智能领域，特别涉及自然语言处理、深度学习及计算机视觉等人工智能领域。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器 (RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603 中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602 以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元 609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器 (CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管) 或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。