典型文献
基于BERT-Bi-LSTM-CRF模型的自主式交通系统参与主体识别方法
文献摘要：
自主式交通系统(ATS)的重要组成部分是参与主体,参与主体的信息通常依靠文本进行描述.为构建自主式交通知识图谱,需要从文本中准确地识别出大量参与主体.为此,研究了基于BERT-Bi-LSTM-CRF模型的实体识别方法,对自主式交通系统参与主体进行抽取.词嵌入模型BERT为预训练语言模型,用以捕获丰富的语义特征,将捕获的语义特征输入到双向长短时记忆神经网络(Bi-LSTM)模型中提取上下文双向序列信息,经条件随机场(CRF)处理得到最优序列预测结果.收集交通专业相关的原始语料,经过数据预处理与文本标注,形成了可用于自主式交通系统参与主体识别的语料库,基于此数据开展实体识别对比实验.结果证明:BERT模型显著提升了自主式交通系统参与主体识别任务的性能.相较于传统方法CNN-LSTM或Bi-LSTM等,所提方法可以得到最佳综合识别效果,各实体的综合F1值为86.81％,表明通过BERT模型提取参与主体的语义特征,可以增强识别方法的泛化能力."使用者""运营者""提供者""规划者""维护者"类实体的F1值分别为90.35％,92.31％,90.48％,93.33％,95.00％.验证了所提方法识别自主式交通系统参与主体的有效性.
文献关键词：
智能交通;命名实体识别;知识图谱;BERT-Bi-LSTM-CRF;知识建模
中图分类号：
作者姓名：
唐进君;庹昊南;刘佑;付强
作者机构：
中南大学交通运输工程学院 长沙 410075
文献出处：
引用格式：
[1]唐进君;庹昊南;刘佑;付强-.基于BERT-Bi-LSTM-CRF模型的自主式交通系统参与主体识别方法)[J].交通信息与安全,2022(05):80-90
A类：
B类：
BERT,Bi,CRF,自主式交通系统,参与主体,ATS,实体识别方法,词嵌入模型,预训练语言模型,语义特征,双向长短时记忆神经网络,上下文,序列信息,条件随机场,理得,最优序列,序列预测,交通专业,数据预处理,文本标注,语料库,综合识别,明通,泛化能力,运营者,提供者,规划者,维护者,方法识别,智能交通,命名实体识别,知识建模
AB值：
0.27582
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。
