[发明专利]一种基于半监督学习的汉语并列结构自动识别方法

权利要求书

1.一种基于半监督学习的汉语并列结构自动识别方法，其特征在于：

Step1：将有标注语料按比例划分成测试集与训练集两部分；

Step2：基于有标注语料提取并列结构的语言学特征；

Step3：基于未标注语料，选取语言模型，训练词向量，从词向量中提取无监督特征；

Step4：将语言学特征和无监督特征分别作为测试集和数据集的特征进行考察；

Step5：将语言学特征和无监督特征的不同组合特征作为测试集和数据集的特征进行考察；

Step6：根据不同的特征制定相对适宜的特征模板；

Step7：利用训练数据训练CRF模型，接着将带标签测试数据作为待识别文本数据输入训练完成的CRF模型中进行预测识别，输出有自带标签和预测标签的文本。

2.根据权利要求1所述的基于半监督学习的汉语并列结构自动识别方法，其特征在于所述Step2的具体步骤为：

Step2.1：计算词语长度，将词长作为一个语言学特征；

Step2.2：判断当前词语是否是并列连接词，将此作为一个语言学特征，当前词语是连接词则标注为Y，不是则标注为N；

Step2.3：根据同义词编码表提取每个词对应的编码作为特征，折射出词语之间的相似性关系。

3.根据权利要求1所述的基于半监督学习的汉语并列结构自动识别方法，其特征在于所述Step3的具体步骤为：

Step3.1：基于未标注语料，选取语言模型，训练词向量；

Step3.2：将词向量进行二值化操作，作为二值化特征，简化词向量复杂度；

Step3.3：利用词向量进行聚类，得到n个聚类簇，将每个词对应的簇序号提取出作为无监督特征；

Step3.4：将以上步骤中提取的语言学特征进行组合实验。