隨著數(shù)據(jù)挖掘和云服務(wù)等智能技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)中日益增長(zhǎng)著大量的數(shù)據(jù)信息,其中包含了大量的文本數(shù)據(jù),這些數(shù)量龐大的文本數(shù)據(jù)蘊(yùn)含著巨大的社會(huì)價(jià)值。但是,由于日常生活中的文本信息大都以非結(jié)構(gòu)化的形式存在,使得計(jì)算機(jī)無(wú)法高效地處理這些數(shù)據(jù),進(jìn)而使得提取到的有價(jià)值的信息很少。命名實(shí)體識(shí)別是一種可以從非結(jié)構(gòu)化的文本中抽取結(jié)構(gòu)化信息的智能信息處理技術(shù),在自然語(yǔ)言處理領(lǐng)域中具有關(guān)鍵性的作用。本文的研究?jī)?nèi)容主要是對(duì)于提升命名實(shí)體識(shí)別模型性能進(jìn)行的探索,重點(diǎn)研究面向中文語(yǔ)料的命名實(shí)體識(shí)別技術(shù)。本文的研究工作主要包括:(1)設(shè)計(jì)并實(shí)現(xiàn)了一種基于Bi LSTM-QRNN-CRF的中文命名實(shí)體識(shí)別模型。通過(guò)研究和分析近年來(lái)命名實(shí)體識(shí)別廣泛應(yīng)用的長(zhǎng)短期記憶網(wǎng)絡(luò)模型(LSTM)、雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型(Bi LSTM)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)-條件隨機(jī)場(chǎng)模型(Bi LSTM-CRF),在此基礎(chǔ)上設(shè)計(jì)了基于Bi LSTM-QRNN-CRF的中文命名實(shí)體識(shí)別模型,該模型豐富了輸入數(shù)據(jù)的特征信息,進(jìn)一步提升了識(shí)別效果。該方法采用了應(yīng)用最廣泛也是最成熟的Bi LSTM-CRF模型作為基礎(chǔ)模型,引入了準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)(QRNN...

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3.4三種模型的識(shí)別精度趨勢(shì)圖

山東理工大學(xué)碩士學(xué)位論文第三章基于BiLSTM-QRNN-CRF的中文命名實(shí)體識(shí)別模型26圖3.4三種模型的識(shí)別精度趨勢(shì)圖Fig.3.4Trendofrecognitionaccuracyofthreemodels圖3.4畫出了不同Epoch次數(shù)下的三種模型的F1值的對(duì)比圖。通過(guò)....

圖3.5三種模型的訓(xùn)練時(shí)間對(duì)比圖

山東理工大學(xué)碩士學(xué)位論文第三章基于BiLSTM-QRNN-CRF的中文命名實(shí)體識(shí)別模型26圖3.4三種模型的識(shí)別精度趨勢(shì)圖Fig.3.4Trendofrecognitionaccuracyofthreemodels圖3.4畫出了不同Epoch次數(shù)下的三種模型的F1值的對(duì)比圖。通過(guò)....

圖4.2實(shí)驗(yàn)結(jié)果對(duì)比圖

山東理工大學(xué)碩士學(xué)位論文第四章基于多神經(jīng)網(wǎng)絡(luò)協(xié)同訓(xùn)練的中文命名實(shí)體識(shí)別模型33模型在不同的數(shù)據(jù)集上的識(shí)別效果對(duì)比圖。在圖上可以直觀的看出，在MSRA數(shù)據(jù)集上，BiLSTM-QRNN-CRF模型的識(shí)別效果會(huì)更好。而在簡(jiǎn)歷數(shù)據(jù)集上，TMNN模型的識(shí)別效果會(huì)更好。綜合上述實(shí)驗(yàn)結(jié)果可以看....

圖4.4系統(tǒng)登錄界面

山東理工大學(xué)碩士學(xué)位論文第四章基于多神經(jīng)網(wǎng)絡(luò)協(xié)同訓(xùn)練的中文命名實(shí)體識(shí)別模型36圖4.4系統(tǒng)登錄界面Fig.4.4Systemlogininterface圖4.5為命名實(shí)體識(shí)別界面，界面化的識(shí)別系統(tǒng)是用戶與算法模型之間進(jìn)行數(shù)據(jù)交互的紐帶，可以改變傳統(tǒng)枯燥的命令行交互形式，直接將識(shí)別....

本文編號(hào)：3938069