[发明专利]一种识别方法、装置、设备及存储介质

权利要求书

1.一种识别方法，其特征在于，包括：

获取待识别序列，其中，所述待识别序列包括：待识别句子和待识别句子中的字符对应的词性信息；

通过查找词向量表，得到与所述待识别序列对应的待识别向量；

将所述待识别向量输入目标命名实体识别模型，得到所述待识别向量对应的第一类别概率；

所述目标命名实体识别模型中的self-attention方法通过如下公式实现：

其中，Q表示Query向量，K表示Key向量，V表示Value向量，Q＝K＝V，Q由两部分组成Q_s表示句子部分，Q_v表示词表部分，K与Q类似，表示向量的连接，d_k表示Key向量的维度，表示句子中字符间的self-attention，表示单词词性与Q的self-attention；

所述句子中单个字符之间会进行self-attention操作；

所述词性信息与单个字符进行self-attention操作；

所述词性信息之间进行self-attention操作。

2.根据权利要求1所述的方法，其特征在于，所述待识别向量包括：至少一个待识别字符向量和至少一个待识别位置向量；

相应的，将所述待识别向量输入目标命名实体识别模型，得到所述待识别向量对应的第一类别概率，包括：

将所述至少一个待识别字符向量和至少一个待识别位置向量输入BERT模型，得到每个待识别字符向量对应的分数；

将所述每个待识别字符向量对应的分数输入softmax层，得到每个待识别字符向量对应的第一命名实体识别标签，其中，所述第一命名实体识别标签包括：待识别字符向量对应的类别概率。

3.根据权利要求1所述的方法，其特征在于，获取待识别序列包括：

获取待识别句子；

根据所述待识别句子查询词表，得到所述待识别句子中的字符对应的词性信息。

4.根据权利要求1所述的方法，其特征在于，在将所述待识别向量输入目标命名实体识别模型，得到所述待识别向量对应的第一类别概率之后，还包括：

将所述待识别向量对应的第一类别概率输入CRF层，得到待识别向量对应的目标类别概率，其中，所述CRF层的分数定义如下：

其中，为待识别向量对应的第一类别概率，x_i为单个字符的位置索引，y_i为类别标签的位置索引，表示从类别标签y_i转移到y_i+1的概率,X为待识别序列，y＝(y₁,y₂,…,y_n)，y为序列X对应的类别标签；

根据序列X对应的类别标签计算得到目标概率：

其中，Y_X表示序列X对应的至少两个类别标签，表示遍历Y_X，S(X，y)表示CRF层的分数；

所述CRF层的损失函数为：

其中，n为句子最大长度。

5.根据权利要求1所述的方法，其特征在于，所述待识别向量包括：至少一个待识别字符向量、至少一个待识别位置向量和至少一个待识别分段向量；

相应的，将所述待识别向量输入目标命名实体识别模型，得到所述待识别向量对应的第一类别概率，包括：

将所述至少一个待识别字符向量、至少一个待识别位置向量和至少一个待识别分段向量输入BERT模型，得到每个待识别字符向量对应的分数；

将所述每个待识别字符向量对应的分数输入softmax层，得到每个待识别字符向量对应的第二命名实体识别标签，其中，所述第二命名实体识别标签包括：待识别字符向量对应的类别概率。