| 摘 要： | 如今随着互联网的发展，数据呈现的方式大不相同，然而知识图谱的出现，给人们提供了一种更好地组织、管理和理解海量信息的能力.知识图谱质量的高低与实体以及实体之间的关系存在密不可分的关系，从实体角度出发，研究实体识别方法.如今大多数深度学习模型对实体识别效果不错，但在语义信息方面没有考虑上下文信息，并且模型体积庞大，参数数量多，导致模型预测结果与真实结果误差大，能耗高.提出了一种ELECTRA模型与神经网络模型结合来进行命名体识别的方法，该方法降低能耗以及提升训练速度，同时又提高了实体识别的准确率等.该组合模型分为三块：首先对ELECTRA模型进行改进，输入文本进行[cls]以及[seq]处理，避免实体边界模糊问题.然后进行随机15%的Mask机制，经生成器预测，再经判别器判别，形成字向量.其次将字向量引入双向长短期记忆网络BiLSTM中，进行上下文语义增强后将句子序列打分.最后通过条件随机场CRF层找到最优的序列标签.实验结果表明，该方法在医疗语料库进行实体识别时，准确率为97.94%、召回率为95.41%、F1值为95.44%、精确率为95.46%,与已有的方法相比，提出的方法效果提升明...
|
