[发明专利]一种开放域会议信息命名实体识别方法及系统

说明书

本发明公开了一种开放域会议信息命名实体识别方法及系统。识别方法具体包括：获取开放域数据会议的原始文本信息；将原始文本信息转化为多个数字序列，每一个数字序列为一句话；将所述数字序列通过词嵌入层映射为字向量，获得字向量；将字向量采用命名实体识别模型，获得每个时间各个标签的最优标签组合索引；将最优组合标签索引通过词表转化为标签名；将字对应的标签名合成为词标签；根据词标签获得会议名称命名实体和会议地点命名实体。本发明采用基于字进行标注，标注实体类型的首字、中间字、末尾字，能够组成一个词的标注类型，规避了对新词的处理及不同分词工具、分词错误对识别及抽取效果的影响。

技术领域

本发明涉及会议信息检索领域，特别是涉及一种开放域会议信息命名实体识别方法及系统。

背景技术

随着科学技术的飞速发展，科技工作者之间学术交流的平台、方式也越来越多。学术会议就是科技工作者通过开展学术讲座、发表学术论文的方式，介绍和分享自己的科研工作和成果，以及了解相关领域的研究内容、研究成果的一个平台。通过学术会议能够追踪相关领域的研究方向，研究热点，了解当前研究中的研究难点及关键技术方法，得到具有指导意义的结论。另外，追踪学术会议的相关信息，对信息进行抽取挖掘，也是科技工作者的一个重要手段。因此，会议相关的事件知识和实体知识变得越来越重要。

信息时代，学术会议相关信息以自然语言、非结构化的形式湮没在海量的互联网信息中。如何从互联网海量的非结构化数据提取相关的信息并以结构化的形式存储显示，是科技情报工作者寄到科技亟待要解决的技术问题。命名实体识别及抽取是信息检索、信息处理、数据挖掘、事件知识和实体知识获取的一个重要的基础技术。狭义上，命名实体主要分为三类：人名、地名、机构名。广义上是指各个特定领域的专有名词；比如生物医药领域的基因名、药品名，商业领域的产品名称，不同领域的命名实体识别及抽取的任务也会相应的不同。

早期的命名实体识别及抽取以基于规则的方法为主，但是由于不同的命名实体类型在不同的领域具有多变性、复杂性的特点，依靠语言学知识构建的规则移植性很差，具有局限性。近年来，随着机器学习、深度学习的兴起，基于统计的方法因其仅需使用带有标注的语料库进行训练，从语料中对特征进行统计的精度低，缺乏特定领域公开的标注语料，导致识别抽取开放域文本中的精度低。

发明内容

本发明的目的是提供一种能够提高开放域文本的命名实体的识别精度的开放域会议信息命名实体识别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种开放域会议信息命名实体识别方法，所述识别方法具体包括：

获取开放域数据会议的原始文本信息；

将所述原始文本信息转化为多个数字序列，所述每一个所述数字序列为一句话；

将所述数字序列通过词嵌入层映射为字向量；

将所述字向量采用命名实体识别模型，获得每个时间各个标签的最优标签组合索引，基于标注好的训练集进行训练获得所述命名实体识别训练模型；

将所述最优组合标签索引通过词表转化为标签名；

将字对应的标签名合成为词标签；

根据所述词标签获得会议名称命名实体和会议地点命名实体。

可选的，所述在将所述原始文本信息转化为多个数字序列之前还包括：

从互联网资源中获取训练数据集；

将所述训练数据集标注命名实体，获得标注训练数据集；

将网站有地名的开源词库作为地名命名实体识别词典资源，获得地名命名实体词典；通过筛选所述训练数据集的会议名称作为词典资源，获得会议名称实体词典；

预处理所述标注训练数据集，获得预处理训练数据集；