基于ELMO-CNN-BiLSTM-CRF模型的地质实体识别
摘要
摘要: 地质实体是地质文本中的关键和核心信息,对其准确识别是地质信息提取和挖掘的重要前提.设计了ELMO-CNN-BiLSTM-CRF模型,基于预训练字向量构建深层BiLSTM-CRF神经网络模型,通过添加词语动态特征以及词语字符级别的特征,弥补字向量特异性缺失的问题,提高对于地质文本中复杂多词义的识别水平和对地质实体局部特征的提取能力.以《西藏自治区谢通门县雄村铜矿勘探地质报告》为例,对该模型的性能进行了评估,模型的准确率、召回率和F1值分别为95.15%、95.26%和95.21%.实验表明相比BiLSTM-CRF和CNN-BiLSTM-CRF模型,该模型在小规模语料地质实体识别方面效果更优,且能够有效识别长地质实体词汇和地质多义词. 关键词: 地质大数据 / 地质实体 / 命名实体识别 / ELMO-CNN-BiLSTM-CRF / 地质文本 / 数学地质
引用本文（GB/T 7714）
Deping Chu, Bo Wan, Hong Li, 等. 基于ELMO-CNN-BiLSTM-CRF模型的地质实体识别[J]. Earth Science-Journal of China University of Geosciences, 2021.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。