命名实体

摘要： 通过识别机场的业务实体能够帮助管理者在网络舆情中快速定位服务中的痛点问题。旅客评价中存在较多的复杂实体并伴随有数据类别失衡的现象,针对此提出融入集成卷积(E-CNN)和注意力机制(Attention)的实体识别方法。主要利用人工标注和半监督思想结合的方法获取旅客评价的数据集,通过ECNN获取多范围的文本特征信息,由双向长短期记忆网络(BLSTM)获取文本的长依赖特征,使用Attention机制克服数据类别不平衡的缺点。实验结果表明,提出的方法能有效识别民航业务实体,F1值超过其它所对比的模型。

摘要： 神经网络模型可以有效地处理通用领域命名实体识别,然而在标注语料匮乏和包含大量噪声的特定领域,其性能通常会下降。针对这一问题,提出一种迁移学习神经网络模型TL-BiLSTM-CRF。利用双向长短时记忆网络提取具有字符级别形态特征的字符向量,结合具有语义、语序等特征信息的词向量作为输入,构建基本模型;在基本模型中引入词适应层,通过典型相关性分析算法弥合源域和目标域词向量特征空间的差异,对基本模型进行迁移。在社交媒体文本中的实验结果表明,该算法在Twitter数据集上F1值为64.87%,优于目前最好的模型。

摘要： 文章以高等教育政策文件为语料,在领域专家指导下结合高等教育政策文件文本特点,制定了一套标注体系和标注规范,开展了大规模的语料标注工作,构建了一个面向高等教育领域的标注语料库。该语料库共标注了137篇政策文件,包含5102个句子和3639个实体。同时,通过使用模型对语料库进行实验,探讨了语料库的可信度及预标注策略的可行性。结果表明,该语料库的F_(1)值达到75.31%,为进一步的高等教育领域实体识别研究提供了基础。

摘要： 为了更加智能化从服务事件中提取结构化信息,通过研究事件中信息的特性,我们提出了通用实体识别技术(Universal Named Entity Recognition,UNER)。首先,对数据进行清洗和无监督的自动标注,并进行了扩充,大大降低了人工标注的成本。接下来,设计了一种基于深度自注意力变换神经网络(transformer)和条件随机场(Conditional Random Fields,CRFs)的命名实体识别模型。对比之前系统的机器学习模型和大部分NER模型,实验表明,UNER具有0.96的高精度,能够极大缩短运维周期。

摘要： 该文探讨了在脑卒中疾病中文电子病历文本中实体及实体间关系的标注问题,提出了适用于脑卒中疾病电子病历文本的实体及实体关系标注体系和规范。在标注体系和规范的指导下,进行了多轮的人工标注及校正工作,完成了158万余字的脑卒中电子病历文本实体及实体关系的标注工作。构建了脑卒中电子病历实体及实体关系标注语料库(Stroke Electronic Medical Record entity and entity related Corpus,SEMRC)。该文所构建的语料库共包含命名实体10594个,实体关系14457个。实体名标注一致率达到85.16%,实体关系标注一致率达到94.16%。

摘要： [目的/意义]在过去数十年中,医学信息研究领域被人工智能技术的重构。为厘清人工智能技术发展对医学信息研究领域带来的影响,本研究采用命名实体对医学信息领域人工智能技术进行识别,深入揭示其主题漂移特征与演化趋势,并提出3点未来展望。[方法/过程]研究中首先采集了JCR中26本医学信息期刊题录信息,而后利用Vosviewer可视化分析人工智能技术的总体分布,在此基础上采用3种深度学习模型对人工智能技术进行命名实体识别和对比,最后分5个时间段梳理其主题漂移并提出3点展望。[结果/结论]Vosviewer可视化显示20年来人工智能技术在医学信息领域占据重要地位;3种深度学习模型对比发现,基于Attention的Bi LSTM-CRF模型的命名实体识别结果最优,F1值提高到88.40%;在5个时间段内,医学信息领域人工智能主流技术以高、中频词为代表围绕着传统型技术且相对稳定,分支技术以低频词为代表则出现深度学习等复杂性技术且随时间有所改变,并呈现直觉(经验发掘)→支持(深入理解)→策略(强化分析)→后推理(支撑决策)→前推理(提前预测);即整体进入较为理性和务实状态,尚缺爆发性变革但确有一定程度变化的主题漂移演化脉络。对此,本文从技术、应用和并行层面提出3点未来展望,以期加强对人工智能在处理医学信息上优、缺点的认知,为更精准地挖掘多源数据提供优质医学诊断具有理论和现实意义。

摘要： 在科学文献管理中,存在大量的科学技术文献需要被高效的识别、分类和保存.对于研究者来说,在研究该领域的相关知识时,通常会检索该领域的相关专家的文章,然而,姓名作为检索的常见搜索经常会出现歧义问题,这导致文献检索、统计和分析的质量下降.现有的方法在数据集上仍不能表现出良好的聚类效果,如何实现有效的消歧方法仍是一项挑战.本文提出基于图卷积神经网络的作者姓名消歧技术.首先使用BERT模型将文献作者、出版机构、摘要等多种属性信息嵌入到低维向量空间中,得到与作者相关的多种属性的嵌入向量,克服嵌入向量不够准确的缺陷;接下来以节点嵌入为基础,为每篇文献都构建文献局部图,使用图卷积神经网络对生成的文献局部图进行链路预测,有助于提高链路预测的准确性;最后,在图上使用简单的连通域搜索并动态剪枝进行聚类.基于实验表明,本文提出的方法有比较好的性能提升,能够提高作者姓名消歧的准确性.

摘要： 混凝土坝施工信息多以文档文本的形式呈现,其体量大、分布广、内在关系复杂,人工操作难以准确、高效地提取信息知识内容,理清错综复杂的施工信息关系。在自然语言处理技术中,命名实体是文本信息知识的载体,实现精确快速的实体识别是施工知识挖掘的重要前提。本文提出一种融合深度学习与关联规则技术的混凝土坝施工文档知识智能识别及挖掘分析方法。该方法耦合双向长短期记忆神经网络(bi-directional long-short term memory,Bi-LSTM)与条件随机场(conditional random field,CRF),定义混凝土坝施工实体类型,构建命名实体识别模型,形成混凝土坝施工实体知识集合;在此基础上,考虑施工文本表达规律及实体类型,预定义实体之间关系,确定施工实体组合形式,形成实体关联规则提取技术;以实体关联规则提取技术为导向,改进Apriori算法计算频繁项集,获得实体间的强关联规则。该方法应用于实际混凝土坝施工监理周报中,经过计算得到命名实体识别的精确率为86.42%,验证了该方法的准确性。利用改进Apriori算法分析实体间的关联规则,证明了改进算法的优势,有助于提升混凝土坝施工文档知识分析的智能化与精细化水平。

摘要： 目的,意义：将模糊形式概念分析(FFCA)方法引入电子病历(EMRs)知识挖掘领域,利用本体技术构建医学领域命名实体及其依赖关系,建立机器可读的结构化电子病历.方法/过程：首先在EMRs文档集合的识别和预处理的基础上,获取命名实体并分析其层次关系,建立医学领域概念形式化描述模型,然后通过分析实体间的蕴含依赖关系,提出属性最简蕴含决策规则判定定理,将EMRs语义知识转换成决策形式背景,最后利用命名实体概念格生成领域本体.结果,结论：利用文本通用工具(GATE)对本体结果的实体信息抽取与统计分析,进一步验证了基于FFCA的中文EMRs实体本体构建方法的正确性和有效性.

摘要： 伴随着因特网和信息产业的快速发展,微博已经成为一种新型的信息发布和传播的社交媒介,自然微博也为命名实体抽取提供了一个新的载体.本文针对微博数据的命名实体识别由于博文短小不足以提供抽取命名实体的足够信息的问题,提出一种基于微博对话链的中文微博命名实体识别方法.利用每条微博的评论扩充博文的上下文,选取词性、中国人名角色、地名角色、组织名角色4个特征,用条件随机场方法来抽取命名实体,主要识别博文中的人名、地名、组织名.在新浪微博数据上的实验结果表明该方法可以有效地提高微博中人名、地名、组织名的识别效果.

摘要： 本文提出了一种利用百度百科自然标注数据来远距监督网页标题中命名实体挖掘的新方法.首先,通过关联规则挖掘,从百科词条标签数据集中挖掘出层次化的类别结构;然后,以特定类别下百科实体的参考资料网址和相应网页标题作为训练数据,利用一种基于跳跃二元语法模型的贪心策略,学习得到网址和网页标题的混合模板,用于从网页标题中挖掘对应类别的命名实体.实验结果表明,相较于其他使用同类数据源的挖掘方法,该方法在挖掘效率、召回量以及部分类别的准确率上都有显著提升.

摘要： 如何在资源匮乏的大规模数据(如互联网纯文本数据)上识别命名实体是一个重要的问题。为解决该问题，我们使用简单的词典资源自动标注数据，然后将命名识别问题转化为基于最大熵马尔可夫模型的序列标注问题。我们使用两种方法搜索结果：1)输出标注序列，并使用重排序方法对k.Best结果进行重排序；2)使用变种的前向.后向算法计算出候选命名实体的概率，并使用阈值过滤。实验表明，使用后种方法可以极大地提高命名实体识别的召回率和F值，并可以更加灵活地根据需求控制准确率与召回率。

摘要： 提出了一种基于维基百科的汉日双语命名实体对自动获取方案。基本思想是先从维基百科中抽取汉日双语标题对作为训练数据，训练一个统计机器翻译系统；rn 再抽取汉语或者日语的单语标题，通过翻译得到目标语言的翻译结果；然后，使用互联网对翻译结果进行自动查错；自动查错后的双语实体对抽取结果，抽取双语对中日语或汉语的每个条目的首段内容的主要特征，与条目的分类信息一起作为最大熵模型训练数据的特征集合，对命名实体进行词性标注，获得最终的双语命名实体对；通过反馈处理扩大统计机器翻译和最大熵模型的训练集合，不断提高翻译精度。实验结果表明，词性标注准确率达91.131％，翻译结果的BLEU和NIST均值分别达到0.8688和13.7564。

摘要： 针对当前医学语料库涵盖实体分类以及实体关系难以满足精准医学发展需求的问题,本文从儿科疾病入手,参考现有的医学命名实体和实体关系标注体系,在医学领域专家的指导下,制定了适合儿科学的命名实体和实体关系的标注体系及详细标注规范;利用自行开发的标注工具,在采用机器学习进行预标注实体及实体关系后;以标注规范为指导,进行多轮人工标注,完成了298余万字的儿科医学文本中的实体及关系进行标注,形成了面向儿科疾病的实体及实体关系标注语料库.所构建的语料库包含504种儿科常见疾病,共标注命名实体23,603个,实体关系36,513个,多轮标注一致性分别为0.85和0.82.抽取已构建实体及关系标注语料库中的多元组,形成了儿科医学知识图谱,并开发了基于知识图谱的儿科医学知识问答系统.

摘要： 中文地址分析技术在本地搜索服务已经得到广泛应用,其实其在医院管理特别是医院病人来源性分析、病案地址标准化上报也存在重要的作用.该技术就是把自然语言描述的地址转化成机器可识别可定位的信息.基于正则表达式匹配无语义的方法,识别效果较差,全文的最大相似度计算方法虽然效果好,但是需要占用大量的计算资源和完整的基础资料,而利用分词和基于命名实体识别的思想来对地址进行分析,使得整体效果有了明显改善.

摘要： 命名实体关系抽取是信息抽取领域中的重要研究课题.本文采用基于特征向量的机器学习算法支持向量机(SVM)进行实体关系抽取实验.在现有的算法中,特征提取方法以基于关键词集的向量空间模型为主.本文提出一种基于语义的文本特征提取方法,并且在关系抽取实验中取得较好的效果.实验证明将语义特征应用到关系抽取领域中可以明显提高性能.

摘要： 通过维吾尔文地名的分析研究,提出了一种基于条件随机场和规则的维吾尔文地名识别方法.根据维吾尔文地名黏着性、音译等特点,针对维吾尔文地名识别任务,在词汇和词性特征基础之上,引入音节、词向量获取的相似单词、常用地名词典、地名特征词、地名词缀等特征进行实验,结果表明这些特征对识别性能有较大的影响.通过对错误识别结果分析,提出了基于规则的后处理,进一步提高了识别性能,准确率达到94.68％,召回率达到89.52％,F值达到92.03％.

摘要： 通过维吾尔文地名的分析研究,提出了一种基于条件随机场和规则的维吾尔文地名识别方法.根据维吾尔文地名黏着性、音译等特点,针对维吾尔文地名识别任务,在词汇和词性特征基础之上,引入音节、词向量获取的相似单词、常用地名词典、地名特征词、地名词缀等特征进行实验,结果表明这些特征对识别性能有较大的影响.通过对错误识别结果分析,提出了基于规则的后处理,进一步提高了识别性能,准确率达到94.68％,召回率达到89.52％,F值达到92.03％.

摘要： 本公开提供一种命名实体识别方法和命名实体识别装置。所述命名实体识别方法适用于嵌套命名实体与非嵌套命名实体，包括：获取自然语言文本数据；基于预先训练的处理模型，获取所述自然语言文本数据中的每个字符的特征向量，将每个字符的特征向量映射为二元互斥标记，并将所有二元互斥标记组合为二维矩阵，其中，每个特征向量的元素的数量基于命名实体的类别的数量来确定；基于所述二维矩阵，识别所述自然语言文本数据中的各个命名实体。

摘要： 公开了一种命名实体识别方法、命名实体识别装置、命名实体识别设备及介质，包括：采集特定场景下的语音信号；提取语音信号中的语音特征向量；基于语音信号进行语音识别后的文字结果，提取所述文字结果中的文字特征向量；将语音特征向量与文字特征向量进行拼接，得到所述语音信号中每个字的复合特征向量；将语音信号中每个字的所述复合特征向量通过深度学习模型进行处理，得到命名实体的识别结果。

摘要： 本说明书实施例提供命名实体识别模型训练方法及命名实体识别方法，其中所述命名实体识别模型训练方法包括：获取第一训练集、第二训练集和预训练的资源模型；利用第一训练集，对第二预设语言模型进行训练，得到目标模型；从第二训练集中提取任一第二资源词条，将该第二资源词条分别输入资源模型和目标模型，得到该第二资源词条的第一资源类别和第二资源类别；根据第一资源类别和第二资源类别调整目标模型的模型参数，返回执行从第二训练集中提取任一第二资源词条的步骤，在达到第一预设训练停止条件的情况下，确定训练后的目标模型作为命名实体识别模型。提高了命名实体识别模型的可靠性，提高基于命名实体识别模型进行命名实体识别的准确度。

摘要： 本公开提供一种命名实体识别模型建立方法，其包括：获取目标领域的训练文本集；基于所述目标领域的领域特征构建命名实体种类集以及文本段落类别集；基于所述文本段落类别集以及所述命名实体种类集构建“文本段落类别‑命名实体种类”映射字典；使用所述“文本段落类别‑命名实体种类”映射字典对所述训练文本集中的所有训练文本进行标注，获得每个训练文本的标注序列集；以及至少基于所述训练文本集的所有训练文本的标注序列集进行命名实体识别模型训练，获得命名实体识别模型。本公开还提供一种命名实体识别方法、实体识别模型建立装置、命名实体识别装置、电子设备及存储介质。

摘要： 本申请公开了一种命名实体识别方法和命名实体识别装置。所述命名实体识别方法，包括：解析所述输入文本，获得所述输入文本对应的多个候选依存树结构；从所获得的多个候选依存树结构中利用推断的方式获得所述输入文本对应的目标依存树结构；将所述输入文本和所述输入文本对应的目标依存树结构输入命名实体识别模型，获得所述输入文本对应的命名实体序列。

摘要： 本说明书实施例提供命名实体识别模型训练方法及命名实体识别方法，其中所述命名实体识别模型训练方法包括：获取第一训练集、第二训练集和预训练的资源模型；利用第一训练集，对第二预设语言模型进行训练，得到目标模型；从第二训练集中提取任一第二资源词条，将该第二资源词条分别输入资源模型和目标模型，得到该第二资源词条的第一资源类别和第二资源类别；根据第一资源类别和第二资源类别调整目标模型的模型参数，返回执行从第二训练集中提取任一第二资源词条的步骤，在达到第一预设训练停止条件的情况下，确定训练后的目标模型作为命名实体识别模型。提高了命名实体识别模型的可靠性，提高基于命名实体识别模型进行命名实体识别的准确度。

摘要： 本发明提供一种命名实体识别模型的训练方法和命名实体的识别方法，其中，命名实体识别模型的训练方法，包括：获取训练数据，其中，所述训练数据包括训练文本和标识信息，所述训练文本包括第一命名实体和第一指示信息，所述第一指示信息与所述第一命名实体相关联，所述标识信息用于指示所述第一命名实体与所述第一指示信息在所述训练文本中的位置；将所述训练数据输入预先构建的学习模型进行训练，得到所述命名实体识别模型。本发明实施例提供的方案至少可以解决现有的命名实体的识别方法存在识别的准确性较差的问题。

摘要： 本申请涉及一种命名实体识别模型的训练方法和装置、命名实体识别方法和装置、计算机设备、存储介质和计算机程序产品，涉及人工智能技术领域，可用于金融科技领域或其他领域。所述方法包括：获取多个待标注标签的训练语料；基于预设知识库对训练语料进行实体标注，得到目标类别序列；将训练语料输入至命名实体识别模型进行实体识别，得到预测结果；基于第一类型损失函数和第二类型损失函数构建目标损失函数，基于预测结果、目标类别序列、目标损失函数，计算损失值；基于损失值和预设模型更新算法，对命名实体识别模型进行更新，基于更新后的命名实体识别模型确定目标命名实体识别模型。采用本方法能够提高命名实体识别模型的识别准确度。

摘要： 本公开提供一种命名实体识别模型建立方法，其包括：获取目标领域的训练文本集；基于目标领域的领域特征构建命名实体种类集以及文本段落类别集；基于文本段落类别集以及命名实体种类集构建“文本段落类别‑命名实体种类”映射字典；使用“文本段落类别‑命名实体种类”映射字典对训练文本集中的所有训练文本进行标注，获得每个训练文本的标注序列集，对每个训练文本的标注序列集进行修正，获得修正后的标注序列集；以及至少基于训练文本集的所有训练文本的修正后的标注序列集进行命名实体识别模型训练，获得命名实体识别模型。本公开还提供一种命名实体识别方法、实体识别模型建立装置、命名实体识别装置、电子设备及存储介质。

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。