典型文献
面向电力业务数据的命名实体识别
文献摘要：
电力行业内部会积累规模可观的电力业务数据,自动挖掘电力业务数据中的信息对提升相关部门业务能力、降低电力行业内巨大运维成本有促进作用.但电力业务数据大多是非结构化数据且体量庞大繁杂,因此针对如何将电力业务数据中非结构化文本提取出结构化信息这一问题,设计了基于Transformer模型的融合词汇和二元词组特征的命名实体识别模型.在该模型中,通过使用融合多特征的BERT预训练语言模型得到词嵌入表示,并使用Transformer模型和条件随机场作为编码层和解码层,实现电网领域的命名实体识别.通过在电网领域文本的实验表明,所提出的模型在实体类型识别的准确率为93.62％,性能优于传统的命名实体识别方法,通过消融实验证明了该命名实体识别方法的有效性.
文献关键词：
知识图谱;中文命名实体识别;BERT模型;Transformer模型;条件随机场
中图分类号：
作者姓名：
李妍;孟洁;何金;张旭;王梓蒴
作者机构：
国网天津市电力公司信息通信公司,天津 300010;天津市能源大数据仿真企业重点实验室,天津 300010
文献出处：
引用格式：
[1]李妍;孟洁;何金;张旭;王梓蒴-.面向电力业务数据的命名实体识别)[J].电力信息与通信技术,2022(04):24-31
A类：
B类：
电力业务,业务数据,电力行业,部会,自动挖掘,门业,业务能力,大运,运维成本,本有,非结构化数据,繁杂,结构化文本,结构化信息,Transformer,词组,识别模型,多特征,BERT,预训练语言模型,词嵌入表示,条件随机场,编码层,解码,实体类,类型识别,实体识别方法,消融实验,中文命名实体识别
AB值：
0.261279
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
