[发明专利]一种中文专词抽取方法、系统、电子设备及存储介质

说明书

本申请公开了一种中文专词抽取方法，所述中文专词抽取方法包括：获取中文文档数据，并对中文文档数据进行预处理和专词标注得到训练语料数据集；拼接嵌入层特征、词汇层特征和句子层特征得到中文文档数据的词汇特征表示；根据词汇特征表示构建BiLSTM模型和文档图；利用BiLSTM模型和文档图构建专词抽取框架模型；将训练语料数据集输入专词抽取框架模型进行训练；若接收到未知中文文档数据，则利用训练后的专词抽取框架模型抽取未知中文文档数据中的中文专词。本申请能够降低中文专词的抽取误差，提高实体识别精准度。本申请还公开了一种中文专词抽取系统、一种存储介质及一种电子设备，具有以上有益效果。

技术领域

本申请涉及信息抽取和自然语言理解领域，特别涉及一种中文专词抽取方法、系统、一种存储介质及一种存储介质。

背景技术

信息抽取(information extraction)，简称IE，即从自然语言文本中抽取出特定的事件或事实信息，帮助我们将海量内容自动分类、提取和重构，这些信息通常包括实体(entity)、关系(relation)、事件(event)。相对应，信息抽取主要包括三个子任务：关系抽取(RE)、命名实体识别(NER)和事件抽取(EE)。

命名实体识别(Named Entity Recognition)，简称NER，是指识别文本中具有特定意义的专有名词的边界和类别，主要包括人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。命名实体识别是文本处理中的基础技术，广泛应用在自然语言处理、推荐系统、知识图谱等领域。命名实体识别过程中需要抽取特定的词汇，对于特殊领域的数据集，引入垂直领域中的专词(专词词汇)信息对于提升实体识别效率极其重要。一般引入词汇信息的方法就是先对数据集中的中文句子进行分词处理，然后基于字符和词汇进行建模训练，这种方法的效果反而比基于字符的方法的效果差，因为分词过程中会产生分错词的误差，该误差会传递到模型中。

因此，如何降低中文专词的抽取误差，提高实体识别精准度是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种中文专词抽取方法、系统、一种电子设备及一种存储介质，能够降低中文专词的抽取误差，提高实体识别精准度。

为解决上述技术问题，本申请提供一种中文专词抽取方法，该中文专词抽取方法包括：

获取中文文档数据，并对所述中文文档数据进行预处理和专词标注得到训练语料数据集；

分别提取所述中文文档数据的嵌入层特征、词汇层特征和句子层特征，拼接所述嵌入层特征、所述词汇层特征和所述句子层特征得到所述中文文档数据的词汇特征表示；

根据所述词汇特征表示构建BiLSTM模型和文档图；

利用所述BiLSTM模型和所述文档图构建专词抽取框架模型；其中，所述专词抽取框架模型的编辑器为所述文档图，解码器为CRF；

将所述训练语料数据集输入所述专词抽取框架模型进行训练；

若接收到未知中文文档数据，则利用训练后的所述专词抽取框架模型抽取所述未知中文文档数据中的中文专词。

可选的，对所述中文文档数据进行预处理和专词标注得到训练语料数据集，包括：

对所述中文文档数据进行预处理；

采用BIO标注方式对预处理后的所述中文文档数据进行专词标注；

按照预设比例将专词标注后的中文文档数据划分为所述训练语料数据集和测试语料数据集。

可选的，在将所述训练语料数据集输入所述专词抽取框架模型进行训练之后，还包括：

利用所述测试数据对训练后的专词抽取框架模型进行校验，得到模型评估结果。