文献类型：期刊文章

作　　者：张应成[1] 杨洋[2] 蒋瑞[3,4] 全兵[5] 张利君[3] 任晓雷[6]

ZHANG Yingcheng;YANG Yang;JIANG Rui;QUAN Bing;ZHANG Lijun;REN Xiaolei(College of Computer Science,Sichuan University,Chengdu 610065,China;Sichuan Institute of Computer Sciences,Chengdu 610041,China;Chengdu Ruibeiyingte Information Technology Co.,Ltd.,Chengdu 610041,China;Sichuan Zhiqian Science and Technology Co.,Ltd.,Chengdu 610041,China;China Mobile(Suzhou) Software Technolgy Co.,Ltd.,Suzhou,Jiangsu 215000,China;Sichuan Heima Digital Technology Co.,Ltd.,Luzhou,Sichuan 646000,China)

机构地区：[1]四川大学计算机学院,成都610065 [2]四川省计算机研究院,成都610041 [3]成都瑞贝英特信息技术有限公司,成都610041 [4]四川智仟科技有限公司,成都610041 [5]中移(苏州)软件技术有限公司,江苏苏州215000 [6]四川黑马数码科技有限公司,四川泸州646000

出　　处：《计算机工程》

基　　金：四川省科技计划项目(18PTDJ0085;2019YFH0075;2018GZDZX0030);泸州市科技计划项目(2017CDLZ-G25)

年　　份：2019

卷　　号：45

期　　号：5

起止页码：308-314

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：结合语言模型条件随机场(CRF)和双向长短时记忆(BiLSTM)网络,构建一种BiLSTM-CRF模型,以提取商情文本序列中的招标人、招标代理以及招标编号3类实体信息。将规范化后的招标文本序列按字进行向量化,利用BiLSTM神经网络获取序列化文本的前向、后向文本特征,并通过CRF提取出双向本文特征中相应的实体。实验结果表明,与传统机器学习算法CRF相比,该模型3类实体的精确率、召回率和F1值平均提升15.21%、12.06%和13.70%。

关 键 词：条件随机场 双向长短时记忆网络  语言模型 命名实体识别 深度学习  

分 类 号：TP391]