[发明专利]一种命名实体识别方法及其装置

权利要求书

1.一种命名实体识别方法，其特征在于，包括：

基于文本中的每个元素的结构信息，将所述文本的每个元素转换为包括第一向量的第一向量组，其中，第一向量包括每个元素的结构信息向量；

将所述第一向量组中的第一向量分别输入到机器学习模型组件，获取与所述文本对应的表达向量，其中，所述机器学习模型组件根据多个训练文本向量以及与所述多个训练文本向量对应的多个表达向量之间的对应关系进行训练得到的；

至少利用所述表达向量，识别与所述文本对应的命名实体标签。

2.如权利要求1所述的方法，其特征在于，第一向量还包括每个元素的语义信息向量。

3.如权利要求2所述的方法，其特征在于，将所述文本的每个元素转换为包括第一向量的第一向量组包括：

根据所述文本的每个元素的结构信息和语义信息，获取与每个元素对应的结构信息向量和语义信息向量；

获取包括结构信息向量和语义信息向量的第一向量的第一向量组。

4.如权利要求3所述的方法，其特征在于，根据所述文本的每个元素的结构信息获取与每个元素对应的结构信息向量包括：

获取与每个元素对应的点阵图；

将所述点阵图输入到卷积神经网络模型组件，获取与每个元素对应的结构信息向量。

5.如权利要求1所述的方法，其特征在于，所述机器学习模型组件至少包括神经网络模型组件。

6.如权利要求5所述的方法，其特征在于，所述神经网络模型组件包括迭代扩张卷积神经网络模型组件(IDCNN)、长短期记忆网络模型组件以及双向长短期记忆网络模型组件。

7.如权利要求5所述的方法，其特征在于，将所述第一向量组中的第一向量分别输入到机器学习模型组件包括：

将第一向量组中的第一向量依次输入到神经网络模型组件，获取与所述文本对应的表达向量。

8.如权利要求7所述的方法，其特征在于，所述机器学习模型组件还包括注意力模型组件。

9.如权利要求8所述的方法，其特征在于，还包括：

将所述表达向量输入到注意力模型组件，获取与所述多个命名实体标签对应的多个概率的概率组合。

10.如权利要求9所述的方法，其特征在于，所述机器学习模型组件包括神经网络模型组件、注意力网络模型组件和条件随机场模型组件。

11.如权利要求10所述的方法，其特征在于，还包括：

将所述概率组合输入到条件随机场模型组件，获取与所述概率序列对应的最终概率。

12.如权利要求11所述的方法，其特征在于，所述机器学习模型组件被设置为按照下述方式训练得到：

利用所述神经网络模型组件，将获取的训练文本转换为包括多个训练元素向量的训练集文本向量，其中，每个训练元素向量包括结构信息向量和语义信息向量；

构建机器学习模型组件，其中，所述机器学习模型组件中设置有训练参数；

利用训练文本向量以及与训练文本向量对应的表达向量之间的对应关系对所述机器学习模型组件进行训练，调整所述训练参数，直至损失函数达到设定的要求。