[发明专利]命名实体识别数据增强的方法、装置、电子设备和介质

权利要求书

1.一种命名实体识别数据增强的方法，其特征在于，包括：

获取第一数据集，所述第一数据集包括：文字样本和文字样本对应的实体标签；

将所述第一数据集进行扩充得到扩充数据集，将所述扩充数据集分为第一份扩充数据集和第二份扩充数据集；

将所述第一份扩充数据集输入到预训练BERT模型中得到句向量数据集；

对所述句向量数据集进行聚类得到聚类结果；

对所述聚类结果进行对抗训练确定簇数据集；

使用预训练模型GPT微调所述簇数据集得到第二数据集；

使用所述第二数据集训练预训练模型GPT得到预测模型；

将所述第二份扩充数据集输入到所述预测模型中得到预测结果数据集；

将所述预测结果数据集中的命名实体标签通配符替换为实体词典中的文字，同时生成文字对应的实体标签，所述文字和实体标签组成第三数据集；

将所述第三数据集与所述第一数据集进行合并得到最终的数据集。

2.根据权利要求1所述的一种命名实体识别数据增强的方法，其特征在于，所述将所述第一数据集进行扩充得到扩充数据集，包括：

确定所述第一数据集中的实体词典；

从所述第一数据集中抽取预设比例的数据集得到第四数据集，将所述实体词典中的实体词进行同类型替换到所述第四数据集中得到第五数据集，

合并所述第一数据集和所述第五数据集得到第六数据集；

将所述第六数据集中的实体词替换为标签得到扩充数据集；

将所述扩充数据集分为两份扩充数据集得到第一份扩充数据集和第二份扩充数据集。

3.根据权利要求1所述的一种命名实体识别数据增强的方法，其特征在于，所述对所述聚类结果进行对抗训练确定簇数据集，包括：

步骤一：从所述聚类结果随机选取两个簇得到第一簇和第二簇；

步骤二：从所述第一簇中抽取第一样本数据，从所述第二簇中抽取第二样本数据；所述第一样本数据和第二样本数据组成样本对数据；

重复上述步骤一和步骤二直到数据量满足预定值得到簇数据集。

4.根据权利要求1所述的一种命名实体识别数据增强的方法，其特征在于，所述使用预训练模型GPT微调所述簇数据集得到第二数据集，包括：

步骤一：获取所述簇数据集中的文字的字向量从而得到字向量数据集；

步骤二：对所述字向量数据集以此进行前向计算、损失计算、梯度计算得到变换后的字向量数据集；

重复上述步骤一和步骤二直到所述簇数据集中的每一条数据都进行了所述步骤一和所述步骤二得到第二数据集。

5.根据权利要求1所述的一种命名实体识别数据增强的方法，其特征在于，所述对所述句向量数据集进行聚类得到聚类结果，包括：

使用kmeans算法对于所述句向量数据集中的数据进行聚类。

6.根据权利要求4所述的一种命名实体识别数据增强的方法，其特征在于，所述获取所述簇数据集中的文字的字向量，包括：

通过所述预训练模型GPT的embedding模块获取得到文字的字向量。

7.根据权利要求4所述的一种命名实体识别数据增强的方法，其特征在于，将所述第一份扩充数据集输入到预训练BERT模型中得到句向量数据集，包括：

通过所述预训练BERT模型的参数和前向计算确定句向量数据集。