[发明专利]一种命名实体识别方法及装置

说明书

本发明实施例提供一种命名实体识别方法及装置，该方法包括：将待识别文本的第一字序列矩阵输入第一训练模型获取所述待识别文本的第一字特征矩阵；将所述待识别文本的第一词序列矩阵输入第二训练模型获取所述待识别文本的第一词特征矩阵；所述第一字特征矩阵的维度和所述第一词特征矩阵的维度相同；将所述第一字特征矩阵和所述第一词特征矩阵进行处理，得到第一字词融合特征矩阵；通过第三训练模型对所述第一字词融合特征矩阵进行处理获取所述待识别文本的命名实体识别结果。上述方法中，将字特征矩阵和词特征矩阵进行融合处理，且对字词融合特征矩阵进行处理，进一步提高待识别文本的识别结果的准确性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种命名实体识别方法及装置。

背景技术

命名实体识别(Named Entity Recognition，简称NER)，又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。NER技术是指从一段自然语言文本中标记相关的实体的位置和类型，将需要的实体抽取出来，例如在医疗领域的一些机构名，人名，疾病以及症状等实体的识别等。其在知识图谱构建、信息抽取、信息检索、机器翻译、自动问答以及舆情监测等任务都有广泛应用，是自然语言处理的基础。

NER通常利用序列标注方式联合实体边界和确定实体类型。但是由于NER的第一步就是确定词的边界，即分词，而汉语文本没有类似英文文本中空格之类的显式标示词的边界标示符；和除了英语中定义的实体，还存在外国人名译名和地名译名等汉语中的特殊实体类型；以及汉语词语的多意性等原因；使得目前的中文命名实体识别方法仍具有一定的局限性。

现有技术中，将字、字根或词映射转为单一向量，通过相应卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(LSTM，Long Short-TermMemory)等训练模型实现NER技术。但此过程中为了加强字与字或词与词之间的相关性，需要大量的人工干预以构建字或词的特征，这种方式十分费时费力。且上述方法在实践过程中很难保证命名实体识别的准确性。尤其对于长实体的句子来说，更加难以识别实体的边界，造成命名实体识别的准确率越低。

因此，现在亟需一种命名实体识别方法及装置，能够提高命名实体识别的准确率。

发明内容

本发明实施例提供一种命名实体识别方法及装置，能够提高命名实体识别的准确率。

第一方面，本发明实施例提供一种命名实体识别方法，该方法包括：

将待识别文本的第一字序列矩阵输入第一训练模型获取所述待识别文本的第一字特征矩阵；将所述待识别文本的第一词序列矩阵输入第二训练模型获取所述待识别文本的第一词特征矩阵；所述第一字特征矩阵的维度和所述第一词特征矩阵的维度相同；将所述第一字特征矩阵和所述第一词特征矩阵进行处理，得到第一字词融合特征矩阵；通过第三训练模型对所述第一字词融合特征矩阵进行处理获取所述待识别文本的命名实体识别结果。

上述方法中，使用第一训练模型、第二训练模型获取字特征矩阵和词特征矩阵。由于字特征矩阵的维度和词特征矩阵的维度相同，如此，将字特征矩阵和词特征矩阵进行融合处理，一方面可以提高待识别文本的识别结果的准确性；另一方面可以防止将字特征矩阵和词特征矩阵拼接等计算方式造成的维度过高，进而发生梯度爆炸的现象，而导致的降低模型运行效率。且通过第三训练模型，对字词融合特征矩阵进行处理，进一步提高待识别文本的识别结果的准确性。

可选的，将待识别文本的第一字序列矩阵输入第一训练模型获取所述待识别文本的第一字特征矩阵之前，还包括：设置所述第一训练模型的第一参数，所述第一参数用于获取预设维度的所述第一字特征矩阵；将待识别文本的第一词序列矩阵输入第二训练模型获取所述待识别文本的第一词特征矩阵之前，还包括：设置所述第二训练模型的第二参数，所述第二参数用于获取所述预设维度的所述第一词特征矩阵。