[目的/意義]為解決目前網(wǎng)絡公開平臺的多源異構(gòu)的企業(yè)數(shù)據(jù)的散亂、無序、碎片化問題,提出Bi-LSTM-CRF深度學習模型進行商業(yè)領域中的命名實體識別工作。[方法/過程]該方法包括對企業(yè)全稱實體、企業(yè)簡稱實體與人名實體3類命名實體識別。[結(jié)果/結(jié)論]實驗結(jié)果顯示對企業(yè)全稱實體、企業(yè)簡稱實體與人名實體3類命名實體識別的識別率平均F值為90.85%,驗證了所提方法的有效性,證明了本研究有效地改善了商業(yè)領域中的命名實體識別效率。 

【文章來源】：現(xiàn)代情報. 2020,40(03)CSSCI

【文章頁數(shù)】：8 頁

【部分圖文】：

Bi-LSTM-CRF命名實體識別模型

1)遺忘門的計算。選擇需要丟棄的信息。其輸入為前一時間的隱層狀態(tài)ht-1和當前輸入詞Xt,輸出結(jié)果為遺忘門的值ft,計算過程可表示為:ft=σ(Wf·[ht-1,xt]+bf) (1)

通過LSTM運算,最終可以得到一個與句子有相同長度的隱層裝填序列(h0,h1,…,hn-1)。相比于傳統(tǒng)的RNN模型,LSTM在大多數(shù)任務中都能取得更好的效果。2.3.2 BI-LSTM

【參考文獻】：
期刊論文
[1]基于LSTM-CRF的中醫(yī)醫(yī)案癥狀術(shù)語識別[J]. 李明浩,劉忠,姚遠哲.  計算機應用. 2018(S2)
[2]基于大數(shù)據(jù)平臺的企業(yè)畫像研究綜述[J]. 田娟,朱定局,楊文翰.  計算機科學. 2018(S2)
[3]基于深度學習的中文機構(gòu)名識別研究——一種漢字級別的循環(huán)神經(jīng)網(wǎng)絡方法[J]. 朱丹浩,楊蕾,王東波.  現(xiàn)代圖書情報技術(shù). 2016(12)
[4]命名實體識別研究進展綜述[J]. 孫鎮(zhèn),王惠臨.  現(xiàn)代圖書情報技術(shù). 2010(06)



本文編號：3261745