文献类型：期刊文章

作　　者：孙娟娟[1] 于红[1] 冯艳红[1] 彭松[1] 程名[1] 卢晓黎[1] 董婉婷[1] 崔榛[1]

SUN Juan-juan;YU H o n g;F E N G Y a n -hong;P E N G S o n g;CHENG M i n g;LU Xiao-li;D O N G W a n -ting;C U i Zhen(College of information Engineering, Key Laboratory of Marine information Technology of Liaoning Province, Dalian Ocean Lniversity , Dalian 116023, China)

机构地区：[1]大连海洋大学信息工程学院辽宁省海洋信息技术重点实验室,辽宁大连116023

出　　处：《大连海洋大学学报》

基　　金：国家海洋公益性行业科研专项(201305002-6);大连市科技计划项目(2015A11GX022)

年　　份：2018

卷　　号：33

期　　号：2

起止页码：265-269

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSCD、CSCD_E2017_2018、JST、PROQUEST、RCCSE、WOS、ZGKJHX、ZR、核心刊

摘　　要：为了解决基于分词的渔业领域命名实体识别效果受分词准确度影响这一问题,采用一种基于深度学习的渔业领域命名实体识别方法。该方法使用神经网络训练得到字向量作为模型输入,避免了分词不准确对渔业领域命名实体识别效果造成的影响;针对渔业领域命名实体长度较长这一特点,使用LSTM单元保持较长时间记忆信息,并将标记信息融入到CRF模型中构建Character+LSTM+CRF实体识别模型。为验证方法的有效性,在渔业领域语料集上进行多组实验,结果表明,本研究中提出的Character+LSTM+CRF方法具有较好的效果,与LSTM模型相比较,在准确率、召回率、F值上分别提升了3.39%、2.99%、3.19%,对于渔业领域实体识别具有较好的效果。

关 键 词：字向量  LSTM模型  CRF模型 实体识别  

分 类 号：TP391]