命名实体识别方法和装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种命名实体识别方法和装置、电子设备及存储介质。


背景技术：

2.命名实体识别(named entity recognition，ner)是指识别文本中具有特定意义的实体，如日期、地名等。根据实体对应的文本片段在文本中的位置，实体类别包括扁平类、嵌套类、非连续类。相关技术中，只能对文本中任一种或两种实体类别进行识别，从而影响了命名实体识别的准确性。因此，如何提高命名实体识别的准确性成了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种命名实体识别方法和装置、电子设备及存储介质，旨在命名实体识别的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种命名实体识别方法，所述方法包括：
5.获取具有字符标签和样本类别标签的样本文本；其中，所述样本文本包括样本字符和样本实体，所述字符标签用于表示所述样本字符的字符类别，所述字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；所述样本类别标签用于表示所述样本实体的实体类别，所述实体类别包括以下任一种：扁平类、嵌套类、非连续类；
6.将所述样本文本输入至预设的原始实体识别模型；其中，所述原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；
7.根据所述初始编码层对所述样本字符进行编码，得到字符向量；
8.根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签；其中，所述初始位置标签用于表示所述样本字符的字符类别；
9.根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签；其中，所述初始识别类别标签用于表示所述识别实体的实体类别；
10.根据所述初始识别类别标签、所述初始位置标签、所述字符标签、所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型；
11.根据所述目标实体识别模型对获取的待识别文本进行命名实体识别。
12.在一些实施例，所述样本文本还包括样本非实体；
13.所述根据所述初始识别类别标签、所述初始位置标签、所述字符标签、所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型，包括：
14.根据所述样本实体和所述样本非实体得到对比损失数据；
15.根据所述初始位置标签和所述字符标签得到位置损失数据；
16.根据所述初始识别类别标签和所述样本类别标签得到类别损失数据；
17.根据所述对比损失数据、所述位置损失数据、所述类别损失数据对所述原始实体识别模型进行参数调整，得到所述目标实体识别模型。
18.在一些实施例，所述初始位置识别层包括第一分类器、第二分类器、第三分类器、第四分类器和第五分类器；
19.所述根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签，包括：
20.根据所述第一分类器对所述字符向量进行首字符位置识别，得到第一识别结果；
21.根据所述第二分类器对所述字符向量进行尾字符位置识别，得到第二识别结果；
22.根据所述第三分类器对所述字符向量进行中间字符位置识别，得到第三识别结果；
23.根据所述第四分类器对所述字符向量进行过渡字符位置识别，得到第四识别结果；
24.根据所述第五分类器对所述字符向量进行非实体位置识别，得到第五识别结果；
25.根据所述第一识别结果、所述第二识别结果、所述第三识别结果、所述第四识别结果、所述第五识别结果得到所述初始位置标签。
26.在一些实施例，所述根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签，包括：
27.根据所述初始实体识别层对所述样本文本进行命名实体识别，得到所述识别实体；
28.根据所述识别实体对所述样本字符进行筛选，得到目标字符；
29.将所述目标字符对应的字符向量作为目标向量，对所述目标向量进行均值处理，得到平均数据；
30.对所述平均数据进行归一化处理，得到所述初始识别类别标签。
31.在一些实施例，所述根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签，包括：
32.根据所述初始实体识别层对所述样本文本进行命名实体识别，得到所述识别实体；
33.根据所述识别实体构建实体索引集合，从所述实体索引集合中得到目标向量；
34.对所述目标向量进行均值处理，得到平均数据；
35.对所述平均数据进行归一化处理，得到所述初始识别类别标签。
36.在一些实施例，所述根据所述样本实体和所述样本非实体得到对比损失数据，包括：
37.对所述样本实体进行组合，得到实体对数据；
38.根据所述实体对数据得到第一向量数据；
39.根据所述样本非实体得到第二向量数据；
40.根据所述第一向量数据和所述第二向量数据得到对比损失数据。
41.在一些实施例，所述目标实体识别模型包括目标编码层、目标位置识别层、目标实
体识别层；
42.所述根据所述目标实体识别模型对获取的待识别文本进行命名实体识别，包括：
43.获取所述待识别文本；其中，所述待识别文本包括待识别字符；
44.根据所述目标编码层对所述待识别字符进行编码，得到目标向量；
45.根据所述目标位置识别层对所述目标向量进行位置识别，得到目标位置标签；
46.将所述目标位置标签、所述目标向量输入至所述目标实体识别层进行命名实体识别，得到目标实体和目标识别类别标签。其中，所述目标识别类别标签用于表示所述目标实体的实体类别。
47.为实现上述目的，本技术实施例的第二方面提出了一种命名实体识别装置，所述装置包括：
48.文本获取模块，用于获取具有字符标签和样本类别标签的样本文本；其中，所述样本文本包括样本字符和样本实体，所述字符标签用于表示所述样本字符的字符类别，所述字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；所述样本类别标签用于表示所述样本实体的实体类别，所述实体类别包括以下任一种：扁平类、嵌套类、非连续类；
49.输入模块，用于将所述样本文本输入至预设的原始实体识别模型；其中，所述原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；
50.编码模块，用于根据所述初始编码层对所述样本字符进行编码，得到字符向量；
51.位置识别模块，用于根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签；其中，所述初始位置标签用于表示所述样本字符的字符类别；
52.第一命名实体识别模块，用于根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签；其中，所述初始识别类别标签用于表示所述识别实体的实体类别；
53.参数调整模块，用于根据所述初始识别类别标签、所述初始位置标签、所述字符标签、所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型；
54.第二命名实体识别模块，用于根据所述目标实体识别模型对获取的待识别文本进行命名实体识别。
55.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
56.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
57.本技术提出的命名实体识别方法和装置、电子设备及存储介质,其通过将样本类别标签和初始位置标签设置为集合了首字符类、尾字符类、中间字符类、过渡字符类的标签，使得目标实体识别模型能够准确定位每个字符在具有不同实体类别的实体中的位置，从而实现同时对文本中扁平类、嵌套类、非连续类三种实体类别进行识别，进而能够提高命名实体识别的识别准确性和识别效率。
附图说明
58.图1是本技术实施例提供的命名实体识别方法的流程图；
59.图2是本技术实施例字符标签的示意图；
60.图3是图1中的步骤s104的一流程图；
61.图4是图1中的步骤s105的一流程图；
62.图5是图1中的步骤s105的另一流程图；
63.图6是图1中的步骤s106的一流程图；
64.图7是图1中的步骤s107的一流程图；
65.图8是本技术实施例提供的命名实体识别装置的结构示意图；
66.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
67.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
68.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
69.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
70.首先，对本技术中涉及的若干名词进行解析：
71.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
72.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
73.信息抽取(information extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中
抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
74.命名实体识别(named entity recognition，ner)是指识别文本中具有特定意义的实体，如日期、地名等。根据实体对应的文本片段在文本中的位置，实体类别包括扁平类、嵌套类、非连续类。相关技术中，只能对文本中任一种或两种实体类别进行识别，从而影响了命名实体识别的准确性。因此，如何提高命名实体识别的准确性成了亟待解决的技术问题。
75.基于此，本技术实施例提供了一种命名实体识别方法和装置、电子设备及存储介质，旨在提高命名实体识别的准确性。
76.本技术实施例提供的命名实体识别方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的命名实体识别方法。
77.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
78.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
79.本技术实施例提供的命名实体识别方法，涉及人工智能技术领域。本技术实施例提供的命名实体识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现命名实体识别方法的应用等，但并不局限于以上形式。
80.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
81.图1是本技术实施例提供的命名实体识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s107。
82.步骤s101，获取具有字符标签和样本类别标签的样本文本；其中，样本文本包括样本字符和样本实体，字符标签用于表示样本字符的字符类别，字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；样本类别标签用于表示样本实体的实体类别，实体类别包括以下任一种：扁平类、嵌套类、非连续类；
83.步骤s102，将样本文本输入至预设的原始实体识别模型；其中，原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；
84.步骤s103，根据初始编码层对样本字符进行编码，得到字符向量；
85.步骤s104，根据初始位置识别层对字符向量进行位置识别，得到初始位置标签；其中，初始位置标签用于表示样本字符的字符类别；
86.步骤s105，根据初始实体识别层对样本文本进行命名实体识别，得到识别实体和识别实体的初始识别类别标签；其中，初始识别类别标签用于表示识别实体的实体类别；
87.步骤s106，根据初始识别类别标签、初始位置标签、字符标签、样本类别标签对原始实体识别模型进行参数调整，得到目标实体识别模型；
88.步骤s107，根据目标实体识别模型对获取的待识别文本进行命名实体识别。
89.本技术实施例所示意的步骤s101至步骤s107，通过将样本类别标签和初始位置标签设置为集合了首字符类、尾字符类、中间字符类、过渡字符类的标签，使得目标实体识别模型能够准确定位每个字符在具有不同实体类别的实体中的位置，从而实现同时对文本中扁平类、嵌套类、非连续类三种实体类别进行识别，进而能够提高命名实体识别的识别准确性和识别效率。
90.在一些实施例的步骤s101中，获取样本文本，样本文本是指用于训练原始实体识别模型的文本。样本文本包括样本字符和样本实体，样本字符是指样本文本中的字符。样本实体是指由样本字符组成，能够表示地名、日期、时间、产品名称、品牌名称等具有特定意义的词。例如，对于样本文本“x牌首款儿童高帮篮球鞋”，包括“x”、“牌”、“首”、“款”、“儿”、“童”、“高”、“帮”、“篮”、“球”、“鞋”共十一个样本字符，该十一个样本字符可以任意组合成“x牌”、“儿童篮球鞋”、“高帮篮球鞋”、“儿童高帮篮球鞋”等样本实体。预先通过标注等方式获取样本文本的字符标签和样本类别标签。字符标签用于表示对应的样本字符的字符类别，字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类。其中，首字符类是指样本字符为组成对应的样本实体的首字符；尾字符类是指样本字符为组成对应的样本实体的尾字符；中间字符类是指样本字符为组成对应的样本实体的中间字符，中间字符是指样本实体中除首字符、尾字符以外的字符；过渡字符类是指样本字符为其他样本实体对应的样本字符在样本文本中过渡的字符；非实体类是指样本字符无法与其他样本字符组成实体。由此可知，字符标签实质用于表示样本字符在样本实体中的位置。以样本实体为“高帮篮球鞋”为例，样本字符“高”为该样本实体的首字符，样本字符“鞋”为该样本实体的尾字符，样本字符“帮”、“篮”、“球”为该样本实体的中间字符。其次，以样本实体为“儿童篮球鞋”为例，样本字符“高”、“帮”为该样本实体的过渡字符。因此，对于不同的样本实体，样本字符的字符类别可能不同。在本技术实施例中，以b表示首字符类、i表示中间字符类、e表示尾字符类、o表示非实体类、m表示过渡字符类，因此字符标签t∈{b,i,o,e,m},b、i、o、e、m均取值0或者1。以b为例，当b取值为1时，表明对应的样本字符的字符类别包括首字符类；当b取值为0时，表明对应的样本字符的字符类别不包括首字符类。
91.参照图2，为样本文本“x牌首款儿童高帮篮球鞋”中每一个样本字符对应的字符标签。如样本字符“x”对应的字符标签yi∈{1,0,0,0,0}，样本字符“牌”对应的字符标签yi∈{1,0,0,0,0}。
92.样本类别标签用于表示样本实体的实体类别，实体类别包括扁平类、嵌套类、非连续类中的任一种。以样本文本为“x牌首款儿童高帮篮球鞋”为例，扁平类是指组成样本实体的多个样本字符在样本文本中为连续的字符，如样本实体“高帮篮球鞋”；嵌套类是指两个或多个样本实体，它们对应的样本字符存在字符重叠的情况，如样本实体“高帮篮球鞋”和“篮球鞋”；非连续类中指组成样本实体的多个样本字符在样本文本中为不连续的字符，如样本实体“x牌篮球鞋”。
93.在一些实施例的步骤s102中，预先设置包括初始编码层、初始位置识别层、初始实体识别层的原始实体识别模型。
94.在一些实施例的步骤s103中，将样本字符作为初始编码层的输入数据，通过初始编码层对样本字符进行向量化表示，得到字符向量。也就是说，通过初始编码层可以将样本文本x＝[x1,x2,...,xn]表示为h＝[h1,h2,...,hn]。其中，h1为样本字符x1的字符向量，样本文本共有n个样本字符。可以理解的是，初始编码层可以包括原始编码层和双向长短期记忆层(long short-term memory，lstm)，或者是其他网络结构，对此本技术实施例不作具体限定。
[0095]
在一些实施例的步骤s104中，将字符向量作为初始位置识别层的输入数据，通过初始位置识别层对字符向量进行位置识别，以得到用于表示字符向量对应的样本字符的初始位置标签，该初始位置标签用于表示初始位置识别层对该样本字符字符类别的识别结果。可以理解的是，本实施例的字符类别与步骤s101中所描述的字符类别相同，所以初始位置标签y1∈{b,i,o,e,m}。以下对初始位置标签的确定方法进行展开说明。
[0096]
参照图3，在一些实施例中，步骤s104包括但不限于包括步骤s301至步骤s306。
[0097]
步骤s301，根据第一分类器对字符向量进行首字符位置识别，得到第一识别结果；
[0098]
步骤s302，根据第二分类器对字符向量进行尾字符位置识别，得到第二识别结果；
[0099]
步骤s303，根据第三分类器对字符向量进行中间字符位置识别，得到第三识别结果；
[0100]
步骤s304，根据第四分类器对字符向量进行过渡字符位置识别，得到第四识别结果；
[0101]
步骤s305，根据第五分类器对字符向量进行非实体位置识别，得到第五识别结果；
[0102]
步骤s306，根据第一识别结果、第二识别结果、第三识别结果、第四识别结果、第五识别结果得到初始位置标签。
[0103]
在本技术实施例中，初始位置识别层包括第一分类器、第二分类器、第三分类器、第四分类器、第五分类器，一个分类器用于对一种字符类别进行识别。以下进行详细说明。
[0104]
在一些实施例的步骤s301中，第一分类器用于对字符向量的首字符类进行识别，当该字符向量对应的样本字符为某个实体的首字符时，第一识别结果为1。反之，第一识别结果为0。
[0105]
在一些实施例的步骤s302中，第二分类器用于对字符向量的尾字符类进行识别，当该字符向量对应的样本字符为某个实体的尾字符时，第二识别结果为1。反之，第二识别
结果为0。
[0106]
在一些实施例的步骤s303中，第三分类器用于对字符向量的中间字符类进行识别，当该字符向量对应的样本字符为某个实体的中间字符时，第三识别结果为1。反之，第三识别结果为0。
[0107]
在一些实施例的步骤s304中，第四分类器用于对字符向量的过渡字符类进行识别，当该字符向量对应的样本字符为某个实体的过渡字符时，第四识别结果为1。反之，第四识别结果为0。
[0108]
在一些实施例的步骤s305中，第五分类器用于对字符向量的非实体类进行识别，当该字符向量对应的样本字符不为任何实体所包括的字符时，第四识别结果为1。反之，第四识别结果为0。
[0109]
在一些实施例的步骤s306中，将第一识别结果、第二识别结果、第三识别结果、第四识别结果、第五识别结果进行集合，得到初始位置标签。
[0110]
步骤s301至步骤s306的好处是，能够对样本字符的字符类别是否包括首字符类、是否包括尾字符类、是否包括中间字符类、是否包括过渡字符类、是否包括非实体类进行精准识别，从而为后续同时对样本文本的扁平类实体识别、嵌套类实体识别、非连续类识别提供依据。可以理解的是，包括首字符类时第一识别结果为1，不包括首字符类时第一识别结果为0，其他字符类别同理。
[0111]
在一些实施例的步骤s105中，将样本文本作为初始实体识别层的输入数据，通过初始实体识别层对样本文本包括的命名实体进行识别，得到识别实体和识别实体的初始识别类别标签。其中，识别实体是指初始实体识别层从样本文本中识别到的实体，初始识别类别标签是指识别实体的实体类别，即初始识别类别标签用于表示识别实体为扁平类、嵌套类、非连续类中的哪一类。下面对确定初始识别类别标签的过程进行展开说明。
[0112]
参照图4，在一些实施例中，步骤s105包括但不限于包括步骤s401至步骤s404。
[0113]
步骤s401，根据初始实体识别层对样本文本进行命名实体识别，得到识别实体；
[0114]
步骤s402，根据识别实体对样本字符进行筛选，得到目标字符；
[0115]
步骤s403，将目标字符对应的字符向量作为目标向量，对目标向量进行均值处理，得到平均数据；
[0116]
步骤s404，对平均数据进行归一化处理，得到初始识别类别标签。
[0117]
在一些实施例的步骤s401中，根据初始实体识别层对样本文本进行命名实体识别，以确定样本文本中的识别实体。
[0118]
在一些实施例的步骤s402至步骤s403中，确定识别实体所包括的样本字符，将识别实体包括的样本字符作为目标字符。例如，识别实体“儿童高帮篮球鞋”包括以下样本字符：儿、童、高、帮、篮、球、鞋，将上述样本字符作为目标字符。将目标字符对应的字符向量作为目标向量，对所有目标向量进行均值处理，得到平均数据。由此可知，平均数据是目标向量的平均表示，当识别实体不同时，其对应的平均数据也会不同。因此，可以通过平均数据确定初始实体识别层的识别误差。
[0119]
在一些实施例的步骤s404中，对平均数据进行归一化处理，以确定识别实体对应于不同实体类别的概率，根据概率数值最大的实体类别得到初始识别类别标签。例如，对于某一个识别实体，判断其为扁平类的概率为10％、嵌套类的概率为30％、非连续类的概率为
60％，则初始识别标签用于表示该识别实体的实体类别为非连续类。具体地，根据如下式(1)计算得到初始识别类别标签
[0120][0121]
其中，w
t
表示初始实体识别层的参数矩阵，g表示平均数据。
[0122]
步骤s401至步骤s404的好处是，由于步骤s401至步骤s404是根据识别实体对应的目标字符直接匹配得到目标向量，因此能够在一定程度上提高确定目标向量的准确性，进而提高确定初始识别类别标签的准确性。
[0123]
在一些实施例中，由于步骤s401至步骤s404是直接匹配得到目标向量的，因此，匹配速度较慢。为了提高确定初始类别标签的速度，参照图5，在另一些实施例中，步骤s105包括但不限于包括步骤s501至步骤s504。
[0124]
步骤s501，根据初始实体识别层对样本文本进行命名实体识别，得到识别实体；
[0125]
步骤s502，根据识别实体构建实体索引集合，从实体索引集合中得到目标向量；
[0126]
步骤s503，对目标向量进行均值处理，得到平均数据；
[0127]
步骤s504，对平均数据进行归一化处理，得到初始识别类别标签。
[0128]
在一些实施例的步骤s501中，步骤501的实施内容与步骤s401类似，对此本技术实施例不再赘述。
[0129]
在一些实施例的步骤s502中，构建实体索引集合，实体索引集合是用于对识别实体进行索引的集合。例如，初始实体识别层对样本文本“儿童高帮篮球鞋”识别得到“儿童篮球鞋”和“高帮篮球鞋”两个识别实体，则实体索引集合z＝[z1，z2]。其中，z1是识别实体“儿童篮球鞋”的索引，z2是识别实体“高帮篮球鞋”的索引。实体索引集合还包括对应于每个索引的字符标识集合，字符标识用于表示组成识别实体的字符在样本文本中的位置。以识别实体“儿童篮球鞋”为例，该识别实体包括以下字符：儿、童、篮、球、鞋。将样本文本中的第一个字符对应的字符标识设为1，则字符“儿”对应的字符标识为1，字符“童”对应的字符标识为2，字符“篮”对应的字符标识为5，字符“球”对应的字符标识为6，字符“鞋”对应的字符标识为7。因此，实体索引集合还包括对应于索引z1的字符标识集合z1＝[1,2,5,6,7]。同理，实体索引集合还包括对应于索引z2的字符标识集合z2＝[3,4,5,6,7]。遍历取出实体索引集合中的索引，并根据取出索引对应的字符标识集合从步骤s103中的h＝[h1,h2,...,hn]查找得到目标向量。例如，取出的索引z1，此时根据索引z1对应的字符标识集合[1,2,5,6,7]得到以下目标向量：h1、h2、h5、h6、h7。同理，根据索引z2可以得到以下目标向量：h3、h4、h5、h6、h7。
[0130]
在一些实施例中，步骤s503的实施内容与步骤s403的实施内容类似，步骤s504的实施内容与步骤s404的实施内容类似，在此不再赘述。
[0131]
由此可知，步骤s501至步骤s504，与步骤s401至步骤s404的区别仅在于步骤s503。步骤s501至步骤s504根据实体索引集合得到目标向量的好处是，由于数字与数字匹配确定目标向量(步骤s502所示的方法)的计算量少于字符与向量匹配确定目标向量(步骤s403所示的方法)的计算量，因此步骤s501至步骤s504能够在一定程度上提高确定目标向量的速度，进而提高确定初始识别类别标签的速度。
[0132]
在一些实施例的步骤s106中，根据初始识别类别标签和样本类别标签确定原始实体识别模型识别命名实体的误差，根据初始位置识别标签和字符标签确定原始实体识别模
型位置识别的误差。根据上述两个误差对原始实体识别模型进行参数调整，以提高原始实体识别模型的识别精度，得到目标实体识别模型。
[0133]
在一些实施例中，为了提高原始实体识别模块对实体的识别准确率，还根据样本文本中的样本非实体和样本实体进行比对学习。也就是说，样本文本还包括样本非实体，样本非实体指样本文本中不属于实体的词。样本非实体可以预先根据标注等方式得到。以样本文本为“x牌首款儿童高帮篮球鞋”为例，包括高篮球鞋、儿童帮篮球鞋、首款帮篮球鞋等样本非实体。参数调整是不断减小原始实体识别模型识别误差，从而得到目标实体识别模型的方法，以下对参数调整的过程进行展开说明。参照图6，步骤s106包括但不限于包括步骤s601至步骤s604。
[0134]
步骤s601，根据样本实体和样本非实体得到对比损失数据；
[0135]
步骤s602，根据初始位置标签和字符标签得到位置损失数据；
[0136]
步骤s603，根据初始识别类别标签和样本类别标签得到类别损失数据；
[0137]
步骤s604，根据对比损失数据、位置损失数据、类别损失数据对原始实体识别模型进行参数调整，得到目标实体识别模型。
[0138]
在一些实施例的步骤s601中，从步骤s103得到的字符向量中筛选出对应于组成样本非实体的样本字符的字符向量，例如对于样本非实体“高篮球鞋”，筛选出如下样本字符的字符向量：高、篮、球、鞋。将筛选出的字符向量进行如步骤s403所示的均值处理，得到样本非实体对应的平均数据，样本非实体的平均数据集合为neg＝[q1...]。从多个样本实体中随机选择两个样本实体组成样本实体对，将组成样本实体对的两个样本实体的平均数据分别表示为gi和gj。
[0139]
根据如下式(2)计算得到对比损失数据loss
contrast
。
[0140][0141]
其中，超参数t是一个温度系数，用于控制原始实体识别模型对样本(包括样本非实体、样本实体对)的关注程度。w
′
矩阵用于将平均数据映射到另一个空间中进行比对。
[0142]
由此可知，步骤s601可以概括为以下步骤：
[0143]
对样本实体进行组合，得到实体对数据(即样本实体对)；
[0144]
根据实体对数据得到第一向量数据(即gi和gj)；
[0145]
根据样本非实体得到第二向量数据(即neg＝[q1...])；
[0146]
根据第一向量数据和第二向量数据得到对比损失数据。
[0147]
在一些实施例的步骤s602中，根据如下式(3)和(4)计算得到位置损失数据loss
multi
。
[0148][0149]
[0150]
其中，wz表示第z个分类器的参数矩阵，表示第z个分类器输出的识别结果，yi表示字符标签，cr()表示交叉熵损失函数。
[0151]
在一些实施例的步骤s603中，根据如下式(5)计算得到类别损失数据loss
cls
。
[0152][0153]
其中，y
′i表示样本类别标签，l表示在步骤s101中确定的样本实体的数量。
[0154]
在一些实施例的步骤s604中，对对比损失数据loss
contrast
、位置损失数据loss
multi
、类别损失数据loss
cls
进行求和处理，得到目标损失数据。根据目标损失数据对原始实体识别模型进行参数调整，得到实体识别精度更高的目标实体识别模型。可以理解的是，根据参数调整情况，可以对对比损失数据、位置损失数据、类别损失数据设置不同的调整权重，以实现根据实际情况进行适应性调整。
[0155]
步骤s601至步骤s604的好处是，通过对比损失数据强化原始实体识别模型区分实体和非实体的能力，通过位置损失数据强化原始实体识别模型确定字符类别的能力，通过类别损失数据强化原始实体识别模型确定实体类别的能力。因此，根据对比损失数据、位置损失数据、类别损失数据得到的目标实体识别模型相较于原始实体识别模型，具有更高的实体识别精确度。
[0156]
在一实施例的步骤s107中，将待识别文本作为目标实体识别模型的输入数据，通过目标实体识别模型对待识别文本进行命名实体识别。根据识别到的命名实体可以进行如知识图谱、问答系统等与nlp相关的下游任务。
[0157]
在一些实施例中，参数调整后得到的目标实体识别模型包括目标编码层、目标位置识别层和目标实体识别层。参照图7，在一些实施例中，步骤s107包括但不限于包括步骤s701至步骤s704。
[0158]
步骤s701，获取待识别文本；其中，待识别文本包括待识别字符；
[0159]
步骤s702，根据目标编码层对待识别字符进行编码，得到目标向量；
[0160]
步骤s703，根据目标位置识别层对目标向量进行位置识别，得到目标位置标签；
[0161]
步骤s704，将目标位置标签、目标向量输入至目标实体识别层进行命名实体识别，得到目标实体和目标识别类别标签。其中，目标识别类别标签用于表示目标实体的实体类别。
[0162]
在一些实施例的步骤s701中，获取待识别文本，待识别文本是指需要进行命名实体识别的文本。待识别文本包括待识别字符。当将本技术应用于终端时，终端可以加载有用于执行命名实体识别方法的应用程序，该应用程序可以包括输入窗口，通过响应于在输入窗口中粘贴文本的操作获取待识别文本。或者，应用程序中设有文件上传控件，通过响应于触发文件上传控件的操作获取有待识别文本的文件，通过对该文件进行光学字符识别(optical character recognition,ocr)等操作得到待识别文本。由此可知，本技术实施例对待识别文本的获取方式不作具体限定。
[0163]
在一些实施例的步骤s702中，目标编码层是指对原始实体识别模型进行参数调整后，对应于调整后的初始编码层的模型。将待识别字符作为目标编码层的输入数据，通过目标编码层对待识别字符进行向量化表示，得到目标向量。
[0164]
在一些实施例的步骤s703中，目标位置识别层是指对原始实体识别模型进行参数调整后，对应于调整后的初始位置识别层的模型。将目标向量作为目标位置识别层的输入数据，通过目标位置识别层对待识别字符在可能识别到的目标实体中的位置进行识别，得到目标位置标签。目标位置标签与字符标签类似，目标位置标签包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类。其中，目标实体是指目标识别模型从待识别文本中识别到的实体。
[0165]
在一些实施例的步骤s704中，目标实体识别层是指对原始实体识别模型进行参数调整后，对应于调整后的初始实体识别层的模型。将目标位置标签、目标向量作为目标实体识别层的输入数据。可以理解的是，对于某一个实体，其包括的字符对应的字符类别可以是首字符类+尾字符类(例如实体“x牌”)；或者可以是首字符类+中间字符类+尾字符类(例如实体“篮球鞋”)；或者可以是首字符类+(过渡字符类)+中间字符类+尾字符类(例如“x牌篮球鞋”)，意思是说首字符类对应的字符与中间字符类对应的字符在对应的文本中不是连续的字符，间隔了过渡字符类对应的字符；或者可以是其他字符类别的组合，本技术实施例对此不再一一列举。由此可知，可以通过不同字符类别的组合确定一个实体，因此目标实体识别层将目标位置标签作为从多个目标向量中识别目标实体的依据，得到目标实体，以及用于表示目标实体实体类别的目标识别类别标签。
[0166]
本技术实施例通过将样本类别标签和初始位置标签设置为集合了首字符类、尾字符类、中间字符类、过渡字符类的标签，使得目标实体识别模型能够准确定位每个字符在具有不同实体类别的实体中的位置，从而实现同时对文本中扁平类、嵌套类、非连续类三种实体类别的识别，进而能够提高命名实体识别的识别准确性和识别效率。
[0167]
请参阅图8，本技术实施例还提供一种命名实体识别装置，可以实现上述命名实体识别方法，该装置包括：
[0168]
文本获取模块801，用于获取具有字符标签和样本类别标签的样本文本；其中，样本文本包括样本字符和样本实体，字符标签用于表示样本字符的字符类别，字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；样本类别标签用于表示样本实体的实体类别，实体类别包括以下任一种：扁平类、嵌套类、非连续类；
[0169]
输入模块802，用于将样本文本输入至预设的原始实体识别模型；其中，原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；
[0170]
编码模块803，用于根据初始编码层对样本字符进行编码，得到字符向量；
[0171]
位置识别模块804，用于根据初始位置识别层对字符向量进行位置识别，得到初始位置标签；其中，初始位置标签用于表示样本字符的字符类别；
[0172]
第一命名实体识别模块805，用于根据初始实体识别层对样本文本进行命名实体识别，得到识别实体和识别实体的初始识别类别标签；其中，初始识别类别标签用于表示识别实体的实体类别；
[0173]
参数调整模块806，用于根据初始识别类别标签、初始位置标签、字符标签、样本类别标签对原始实体识别模型进行参数调整，得到目标实体识别模型；
[0174]
第二命名实体识别模块807，用于根据目标实体识别模型对获取的待识别文本进行命名实体识别。
[0175]
该命名实体识别装置的具体实施方式与上述命名实体识别方法的具体实施例基
本相同，在此不再赘述。
[0176]
本技术实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述命名实体识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0177]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0178]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0179]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的命名实体识别方法；
[0180]
输入/输出接口903，用于实现信息输入及输出；
[0181]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0182]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0183]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0184]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述命名实体识别方法。
[0185]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0186]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0187]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0188]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0189]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0190]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存
在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0191]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0192]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0193]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0194]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0195]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0196]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种命名实体识别方法，其特征在于，所述方法包括：获取具有字符标签和样本类别标签的样本文本；其中，所述样本文本包括样本字符和样本实体，所述字符标签用于表示所述样本字符的字符类别，所述字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；所述样本类别标签用于表示所述样本实体的实体类别，所述实体类别包括以下任一种：扁平类、嵌套类、非连续类；将所述样本文本输入至预设的原始实体识别模型；其中，所述原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；根据所述初始编码层对所述样本字符进行编码，得到字符向量；根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签；其中，所述初始位置标签用于表示所述样本字符的字符类别；根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签；其中，所述初始识别类别标签用于表示所述识别实体的实体类别；根据所述初始识别类别标签、所述初始位置标签、所述字符标签、所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型；根据所述目标实体识别模型对获取的待识别文本进行命名实体识别。2.根据权利要求1所述的方法，其特征在于，所述样本文本还包括样本非实体；所述根据所述初始识别类别标签、所述初始位置标签、所述字符标签、所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型，包括：根据所述样本实体和所述样本非实体得到对比损失数据；根据所述初始位置标签和所述字符标签得到位置损失数据；根据所述初始识别类别标签和所述样本类别标签得到类别损失数据；根据所述对比损失数据、所述位置损失数据、所述类别损失数据对所述原始实体识别模型进行参数调整，得到所述目标实体识别模型。3.根据权利要求1所述的方法，其特征在于，所述初始位置识别层包括第一分类器、第二分类器、第三分类器、第四分类器和第五分类器；所述根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签，包括：根据所述第一分类器对所述字符向量进行首字符位置识别，得到第一识别结果；根据所述第二分类器对所述字符向量进行尾字符位置识别，得到第二识别结果；根据所述第三分类器对所述字符向量进行中间字符位置识别，得到第三识别结果；根据所述第四分类器对所述字符向量进行过渡字符位置识别，得到第四识别结果；根据所述第五分类器对所述字符向量进行非实体位置识别，得到第五识别结果；根据所述第一识别结果、所述第二识别结果、所述第三识别结果、所述第四识别结果、所述第五识别结果得到所述初始位置标签。4.根据权利要求1所述的方法，其特征在于，所述根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签，包括：根据所述初始实体识别层对所述样本文本进行命名实体识别，得到所述识别实体；根据所述识别实体对所述样本字符进行筛选，得到目标字符；
将所述目标字符对应的字符向量作为目标向量，对所述目标向量进行均值处理，得到平均数据；对所述平均数据进行归一化处理，得到所述初始识别类别标签。5.根据权利要求1所述的方法，其特征在于，所述根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签，包括：根据所述初始实体识别层对所述样本文本进行命名实体识别，得到所述识别实体；根据所述识别实体构建实体索引集合，从所述实体索引集合中得到目标向量；对所述目标向量进行均值处理，得到平均数据；对所述平均数据进行归一化处理，得到所述初始识别类别标签。6.根据权利要求2所述的方法，其特征在于，所述根据所述样本实体和所述样本非实体得到对比损失数据，包括：对所述样本实体进行组合，得到实体对数据；根据所述实体对数据得到第一向量数据；根据所述样本非实体得到第二向量数据；根据所述第一向量数据和所述第二向量数据得到对比损失数据。7.根据权利要求1至6任一项所述的方法，其特征在于，所述目标实体识别模型包括目标编码层、目标位置识别层、目标实体识别层；所述根据所述目标实体识别模型对获取的待识别文本进行命名实体识别，包括：获取所述待识别文本；其中，所述待识别文本包括待识别字符；根据所述目标编码层对所述待识别字符进行编码，得到目标向量；根据所述目标位置识别层对所述目标向量进行位置识别，得到目标位置标签；将所述目标位置标签、所述目标向量输入至所述目标实体识别层进行命名实体识别，得到目标实体和目标识别类别标签。其中，所述目标识别类别标签用于表示所述目标实体的实体类别。8.一种命名实体识别装置，其特征在于，所述装置包括：文本获取模块，用于获取具有字符标签和样本类别标签的样本文本；其中，所述样本文本包括样本字符和样本实体，所述字符标签用于表示所述样本字符的字符类别，所述字符类别包括以下至少一种：首字符类、尾字符类、中间字符类、过渡字符类、非实体类；所述样本类别标签用于表示所述样本实体的实体类别，所述实体类别包括以下任一种：扁平类、嵌套类、非连续类；输入模块，用于将所述样本文本输入至预设的原始实体识别模型；其中，所述原始实体识别模型包括初始编码层、初始位置识别层、初始实体识别层；编码模块，用于根据所述初始编码层对所述样本字符进行编码，得到字符向量；位置识别模块，用于根据所述初始位置识别层对所述字符向量进行位置识别，得到初始位置标签；其中，所述初始位置标签用于表示所述样本字符的字符类别；第一命名实体识别模块，用于根据所述初始实体识别层对所述样本文本进行命名实体识别，得到识别实体和所述识别实体的初始识别类别标签；其中，所述初始识别类别标签用于表示所述识别实体的实体类别；参数调整模块，用于根据所述初始识别类别标签、所述初始位置标签、所述字符标签、
所述样本类别标签对所述原始实体识别模型进行参数调整，得到目标实体识别模型；第二命名实体识别模块，用于根据所述目标实体识别模型对获取的待识别文本进行命名实体识别。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

技术总结
本申请实施例提供了一种命名实体识别方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取具有字符标签和样本类别标签的样本文本；将样本文本输入至预设的原始实体识别模型；根据初始编码层对样本字符进行编码，得到字符向量；根据初始位置识别层对字符向量进行位置识别，得到初始位置标签；根据初始实体识别层对样本文本进行命名实体识别，得到识别实体和识别实体的初始识别类别标签；根据初始识别类别标签、初始位置标签、字符标签、样本类别标签对原始实体识别模型进行参数调整，得到目标实体识别模型；根据目标实体识别模型对获取的待识别文本进行命名实体识别。本申请实施例能够提高实体识别的准确度。度。度。


技术研发人员：陈焕坤 王伟 曾志贤 张黔 顾伟正 张兴
受保护的技术使用者：华润数字科技有限公司
技术研发日：2023.03.27
技术公布日：2023/7/7