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!
摘要:本发明提供一种基于半监督学习的企业数字化术语库构建方法及系统,包括:S1:收集企业的年报文本数据;S2:使用ERNIE对年报文本进行表征向量化;S3:使用GlobalPointer模型对年报文本进行特征提取和术语识别,以最终的输出概率作为术语边界及其类型识别依据;S4:对模型的性能进行评价,若满足退出条件,则得出最终术语识别模型,否则进行S5;S5:使用模型在未标注数据集上进行术语识别,并对所有样本以输出概率进行排序;S6:取排名最高的前N个样本及前N个样本对应的识别结果扩充有标签数据集,修正模型,返回S2,直到满足S4中最终退出条件,得到最终数字化术语抽取模型。本发明将深度学习和半监督学习技术与领域问题相结合,提高了数字化术语识别的效率,增强了数字化术语词典的可拓展性。
主权项:1.一种基于半监督学习的企业数字化术语库构建方法,其特征在于,包括:步骤S1,收集企业的年报文本数据;步骤S2,基于信息实体增强语言表示ERNIE模型对所述年报文本数据进行表征,获得年报文本向量序列;步骤S3,采用命名实体识别任务GlobalPointer模型对所述年报文本向量序列进行特征提取,确定初始术语识别模型的最终输出概率,所述最终输出概率用于识别术语边界及术语类型;步骤S4,依据预设衡量指标对所述初始术语识别模型进行评价,若满足预设训练结束条件,则输出最终术语识别模型,否则进入步骤S5;步骤S5,基于所述初始术语识别模型对未标注数据集进行术语识别,根据排序算法对所有样本以输出概率进行排序,得到排序后年报文本样本数据;步骤S6,利用所述排序后排名最高的前N个样本及所述前N个样本对应的识别结果扩充有标签数据集,由所述有标签数据集得到最终术语识别模型,基于所述最终术语识别模型输出所述企业数字化术语库;步骤S1包括:收集预设范围内上市公司的年报文本数据,提取所述年报文本数据中的管理层讨论与分析数据;按照多个数字化维度将所述管理层讨论与分析数据中的所有术语以序列标注方式进行逐句人工标注,得到所述年报文本数据对应的训练模型标注数据;步骤S3包括:对编码后的所述年报文本向量序列进行两次线性变换,分别得到以任一术语开头的第一向量表示以及以任一术语结尾的第二向量表示,其中,所述第一向量表示由任一术语首向量表示矩阵、年报文本中的任一个字对应的向量表示和任一术语首向量偏置所构成,所述第二向量表示由任一术语尾向量表示矩阵、年报文本中的任一个字对应的向量表示和任一术语尾向量偏置所构成;由所述第一向量表示和所述第二向量表示计算从所述任一术语开头到所述任一术语结尾的序列片段为任一术语类型实体概率;通过旋转位置编码,确定所述初始术语识别模型的注入数字化术语相对位置的变换矩阵,将所述变换矩阵代入所述任一术语类型实体概率;确定任一术语的首尾长度阈值,对所述任一术语超过所述首尾长度阈值的部分进行掩码处理;利用所述最终输出概率确定所述任一术语类型实体概率对应的术语边界和术语类型;步骤S6包括:利用排序后排名最高的前N个样本及所述前N个样本对应的识别结果扩充所述有标签数据集,由扩充后年报文本数据集对所述初始术语识别模型进行训练修正,返回步骤S2,直至满足步骤S4中的所述预设训练结束条件,输出最终术语识别模型;利用所述最终术语识别模型输出的企业术语构建企业数字化术语库。
全文数据:
权利要求:
百度查询: 武汉大学 一种基于半监督学习的企业数字化术语库构建方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。