[发明专利]一种电子公文实体抽取方法在审
| 申请号： | 201910507540.1 | 申请日： | 2019-06-12 |
| 公开（公告）号： | CN110297913A | 公开（公告）日： | 2019-10-01 |
| 发明（设计）人： | 陈达纲;李泽源;李泽松;刘昆南;宋亚军;王鹏 | 申请（专利权）人： | 中电科大数据研究院有限公司 |
| 主分类号： | G06F16/36 | 分类号： | G06F16/36;G06F17/27;G06N3/04 |
| 代理公司： | 贵阳睿腾知识产权代理有限公司 52114 | 代理人： | 谷庆红 |
| 地址： | 550000 贵州省贵阳市贵阳*** | 国省代码： | 贵州;52 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种电子公文实体抽取方法，包括如下步骤：A.预处理；B.构造特征；C.训练实体抽取模型；D.获取语料；E.获取词向量；F.训练算法模型。本发明采用传统的序列标注算法与深度学习算法相结合，利用传统序列算法需要少语料标注的优点，采用半监督的方法扩充语料，解决深度学习算法需要人工标注大量语料的费时费力问题；在CRF模型中添加最大正向及逆向词典、句法和语义特征，充分考虑了实体词出现的前后边界词特性，让算法更具泛化能力；采用dilated CNN与BiLSTM‑CRF相结合，dilated CNN将字符级向量与字符级位置特征作为外部特征，与词性向量一起拼接到词向量中，可以一定程度表达出更多的语义和上下相关信息。 | ||
| 搜索关键词： | 语料 算法 抽取 电子公文 学习算法 词向量 向量 预处理 语义 程度表达 传统序列 构造特征 人工标注 外部特征 位置特征 相关信息 序列标注 训练算法 语义特征 半监督 传统的 词性 句法 正向 标注 费力 | ||
【主权项】：
1.一种电子公文实体抽取方法，其特征在于：包括如下步骤：A.预处理：利用爬虫系统获取政府公文的文本数据，将文本数据存入数据库中，并对文本数据进行专家标注；B.构造特征：根据专家标注对文本数据提取CRF特征，CRF特征包括特征词本身、词性、词长、左右信息熵、TF_IDF、公文领域词典位置、基于词典的前向最大匹配分词、基于词典的后向最大匹配分词、基于LTP的句法及基于LTP的语义特征；C.训练实体抽取模型：根据提取得到的CRF特征，通过CRF++训练实体抽取模型；D.获取语料：利用实体抽取模型，对文本数据进行语料扩充抽取，确保语料条数不小于5000；E.获取词向量：将得到的语料通过Bert算法表示成词向量；F.训练算法模型：以词向量作为训练数据，以dilated CNN‑BiLSTM‑CRF算法的网络层作为模型架构，训练得到政府公文实体抽取算法模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中电科大数据研究院有限公司，未经中电科大数据研究院有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910507540.1/，转载请声明来源钻瓜专利网。
- 上一篇：欺诈识别方法、装置、设备及计算机可读存储介质
- 下一篇：语料标注方法和装置
