[发明专利]命名实体识别方法、装置、电子设备及介质

权利要求书

1.一种命名实体识别方法，其特征在于，包括：

获取待识别数据；

基于预训练的词嵌入向量矩阵和随机初始化的字符嵌入向量，将所述待识别数据转换为词嵌入向量和字符嵌入向量；

利用卷积神经网络、递归神经网络和注意力机制，对所述词嵌入向量和所述字符嵌入向量进行多层级特征提取，得到不同级别的待识别特征数据，其中，所述不同级别的待识别特征数据，至少包括以下任意一种：全局字符特征、全局词特征、局部字符特征、局部词特征；

对所述待识别特征数据进行序列标注，得到实体识别结果；

所述对所述待识别特征数据进行序列标注，得到实体识别结果，包括：

对所述待识别特征数据进行标签标注；

基于BIOES标注模式，对所述待识别特征数据中的每个数据进行分类，并利用条件随机场将邻近的标注作为约束条件；

基于所述标签标注以及所述待识别特征数据中的类别，对所述待识别特征数据进行序列标注，得到所述实体识别结果；

所述对所述待识别特征数据进行序列标注，得到实体识别结果，包括：

通过自适应权重对所述不同级别的待识别特征数据进行融合，得到融合后的待识别特征数据；

对长短时记忆网络和条件随机场的序列标注模块进行融合，得到目标模型；

将所述融合后的待识别特征数据输入至所述目标模型中，得到所述实体识别结果。

2.如权利要求1所述的方法，其特征在于，在所述利用卷积神经网络、递归神经网络和注意力机制，对所述词嵌入向量和所述字符嵌入向量进行多层级特征提取，得到不同级别的待识别特征数据之后，还包括：

基于调整参数，确定所述各待识别特征数据的权重参数；

基于所述待识别特征数据的权重参数，对各个待识别特征数据进行广度特征融合。

3.如权利要求1所述的方法，其特征在于，在所述利用卷积神经网络、递归神经网络和注意力机制，对所述词嵌入向量和所述字符嵌入向量进行多层级特征提取，得到不同级别的待识别特征数据之前，还包括：

获取样本数据，其中，所述样本数据包括至少一个实体命名特征；

利用所述样本数据对预设的神经网络模型进行训练，得到满足预设条件的融合广度注意力的神经网络。

4.一种命名实体识别装置，其特征在于，包括：

获取模块，被配置为获取待识别数据；

转换模块，被配置为基于预训练的词嵌入向量矩阵和随机初始化的字符嵌入向量，将所述待识别数据转换为词嵌入向量和字符嵌入向量；

提取模块，被配置为利用卷积神经网络、递归神经网络和注意力机制，对所述词嵌入向量和所述字符嵌入向量进行多层级特征提取，得到不同级别的待识别特征数据，其中，所述不同级别的待识别特征数据，至少包括以下任意一种：全局字符特征、全局词特征、局部字符特征、局部词特征；

生成模块，被配置为对所述待识别特征数据进行序列标注，得到实体识别结果；

所述生成模块还被配置为：对所述待识别特征数据进行标签标注；基于BIOES标注模式，对所述待识别特征数据中的每个数据进行分类，并利用条件随机场将邻近的标注作为约束条件；基于所述标签标注以及所述待识别特征数据中的类别，对所述待识别特征数据进行序列标注，得到所述实体识别结果；

所述生成模块还被配置为：

通过自适应权重对所述不同级别的待识别特征数据进行融合，得到融合后的待识别特征数据；

对长短时记忆网络和条件随机场的序列标注模块进行融合，得到目标模型；

将所述融合后的待识别特征数据输入至所述目标模型中，得到所述实体识别结果。

5.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；以及，

显示器，用于与所述存储器显示以执行所述可执行指令从而完成权利要求1-3中任一所述命名实体识别方法的操作。

6.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1-3中任一所述命名实体识别方法的操作。