买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：暨南大学

摘要：本发明公开了一种基于深度学习的英文文献污染物信息抽取方法，包括：构建适用于本土环境监测文献文本挖掘的术语词典；获取原始文献，并对原始文献进行语料分词，构建文献生语料；构建实体抽取模型和关系抽取模型；对文献生语料进行预处理，得到用于实体抽取模型和关系抽取模型的训练集和测试集；通过训练集对实体抽取模型和关系抽取模型进行训练，得到训练完成的实体抽取模型和关系抽取模型；将测试集输入至训练完成的实体抽取模型进行识别，得到实体识别结果；将实体识别结果和测试集数据输入至训练完成的关系抽取模型，得到关系抽取结果。本发明不仅实现了原始英文文献中化学品的命名实体识别，也对化学品及检测浓度进行了关系抽取。

主权项：1.一种基于深度学习的英文文献污染物信息抽取方法，其特征在于，包括：基于现有化学品名录，构建适用于本土环境监测文献文本挖掘的术语词典；获取原始文献，并对原始文献进行语料分词，构建文献生语料；构建实体抽取模型和关系抽取模型；对文献生语料进行预处理，得到用于实体抽取模型和关系抽取模型的训练集和测试集；通过训练集对实体抽取模型和关系抽取模型进行训练，得到训练完成的实体抽取模型和关系抽取模型；将测试集输入至训练完成的实体抽取模型进行识别，得到实体识别结果；将实体识别结果和测试集数据输入至训练完成的关系抽取模型，得到浓度及化合物名称的关系抽取结果；所述实体抽取模型采用Bi-LSTM+CRF模型，所述关系抽取模型采用Bi-GRU模型；对文献生语料进行预处理包括：结合BIO标注模型和术语词典对文献生语料中的词语进行标注，并将标记后的词语转化为符合Bi-LSTM+CRF模型输入格式的化学品名称；通过Bi-LSTM+CRF模型对化学品名称进行识别并输出对应的浓度；对浓度进行识别并还原出化学品的命名实体；BIO标注模型的定义包括：B表示命名实体首部字；I表示命名实体内部字；E则表示命名实体的结束；O表示非命名实体构成字；S表示单字命名实体；将标记后的词语转化为符合Bi-LSTM+CRF模型输入格式的化学品名称，包括：提取标注后的内容中的每个字符和字符的标签，将其加入“字符”和“字符标签”两个数组，如果该字符为预设字符，删除该字符及其字符标签，利用pad_sequences函数，将得到的数组转化为符合所述Bi-LSTM+CRF模型输入格式的化学品名称；通过Bi-LSTM+CRF模型对化学品名称进行识别并输出对应的浓度包括：加载预训练的词向量，并将样本数据与词向量匹配，将匹配成功的数据生成用于模型训练的词向量矩阵；将词向量矩阵作为embedding层输入，经过Bi-LSTM层进行编码，Bi-LSTM层的输出为词的每一个标签分值，通过挑选标签分值最高的作为该词的标签；引入CRF层，进行句子级的序列标注；最后识别出浓度并提取；构建的关系抽取模型包括：模型网络第一层为Bi-GRU；每个GRU单元分别包含包括一个重置门rt和一个更新门zt，更新门zt用于控制前一时刻输出ht-1与当前时刻输入xt中所含信息的保留程度，将其作为t时刻门控单元的输出ht；而重置门rt通过xt决定前一时刻ht-1中信息的遗忘程度，计算得到当前时刻的记忆和更新门后的的当前时刻隐状态ht，t时刻GRU单元的更新门zt、重置门rt、新记忆最终隐状态ht的计算如下:zt＝σWz·[ht-1,xt]rt＝σWr·[ht-1,xt] 其中，σ为sigmoid非线性激活函数，用于增强模型对非线性数据的处理能力，σx＝11+e-x,*表示点乘，tanhx＝ex-e-xex+e-x，W、Wr、Wz为模型的权值矩阵，[]表示将两个向量连接；模型网络第二层为词级注意力层：w＝{w1,w2,...,wT}将ht通过下式进行处理，得到ut＝tanhWw·ht+bw；模型网络第三层为句级注意力层：将词级注意力层的输出s组成的句子特征值作为句级注意力层的输入，加入随机初始化的词上下文向量us进行共同训练，v是所有句子的向量和，具体公式如下:ui＝tanhWs·si+bs 模型网络第四层为Softmax分类器:Softmax分类器将v映射到一组元素在[0,1]区间内的向量，向量和为1，如下式所示:y＝Softmaxv,y＝[y1,y2,...,yN]andyi∈[0,1]and∑yi＝1其中，N为关系标签数量，即关系抽取分类数量。

全文数据：

权利要求：

百度查询： 暨南大学 一种基于深度学习的英文文献污染物信息抽取方法