[发明专利]一种基于IDCNN-crf与知识图谱的影视实体识别方法

权利要求书

1.一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，包括以下步骤：

A.收集影视数据信息；

B.收集大量通过语音转换为文本的用户搜索影视的数据并进行数据分析得到用于模型训练的训练数据；

C.对实体识别模型进行训练；

D.采集需要进行预测的预测数据，并在进行数据预处理后输入实体识别模型进行预测；

E.对模型预测结果进行验证处理并输出。

2.根据权利要求1所述的一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，所述步骤A具体为：从各大影视数据源实时收集影视数据信息，爬取各影视数据的包括影视名、演员、角色、人物关系的实体信息，建立影视专用的知识图谱。

3.根据权利要求1所述的一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，所述步骤B包括：将采集的用户数据进行频次统计、k-Means聚类分析，并将用户说法意图相似的语句聚类到一起结合频次分析及聚类分析的结果，预知用户常用的影视搜查语句并打上标签作为训练数据。

4.根据权利要求3所述的一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，所述实体识别模型由特征表示层、dropout层、IDCNN层和CRF层构成，其中，特征表示层是由词向量和字符向量组成，所述字符向量是通过LM模型训练得到的，词向量是结巴分词后按‘0/1/2/3’编码后的向量，其长度为输入文本的长度值，模型初始的参数是通过word2vec训练得的100维预训练字符向量，通过将词向量和字符级向量进行拼接以表示单词在特定语义空间下的特征；

所述dropout层用于对输入的特征进行dropout处理以预防过拟合，所述IDCNN层具体是对输入的特征分别编码当前时刻的上文和下文信息；再将两者的编码信息合并构成待解码的得分信息；所述CRF层用于将IDCNN层的输出得分作为输入，同时引入转移得分矩阵，根据序列得分选择最优的标签序列。

5.根据权利要求4所述的一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，所述步骤B中还包括进行词向量训练，具体包括：

对训练数据进行包括去除特殊标点符号、英文大小写转换的预处理，然后将处理后的数据使用gensim工具包的word2vec训练，训练为维度100维的字符向量，对训练数据的句子进行结巴分词并编码得到词向量，将词向量与word2vec训练出的字符向量按一定权重相加得到最终的词向量，并将最终得到的词向量作为双向IDCNN网络的初始参数。

6.根据权利要求4所述的一种基于IDCNN-crf与知识图谱的影视实体识别方法，其特征在于，在所述步骤C中进行实体识别模型训练前还包括从训练数据中筛选出包含各个标签的常用数据，并由人工按BIO标准进行训练数据标注。