典型文献
基于BERT-BiLSTM-CRF的农产品信息文本命名实体识别研究及应用展望
文献摘要：
命名实体识别是从农产品信息文本数据中有效抽取信息的关键一步,旨在从非结构化文本中确定与农产品特性相关的命名实体.农业领域的命名实体识别研究大多集中在农业病虫害领域,关于农产品信息文本的实体识别研究较少,通过采用BMES标注的方式对爬虫获取的农产品信息文本数据进行标注,提出融合BERT的BiLSTM-CRF深度学习模型对该文本数据进行实体抽取.将该模型与多种神经网络模型的实验结果比较发现,融合BERT的BiL-STM-CRF模型对农作物、地区、富含营养成分等3种命名实体识别的准确率和召回率分别为82.25％和84.54％,明显优于IDCNN-CRF等神经网络模型,说明该方法能有效识别抽取农产品信息文本数据命名实体.基于此,命名实体识别作为中文文本信息抽取的关键技术,在农产品信息推荐系统、智能问答等方面将会有广泛的应用前景.
文献关键词：
农产品信息;命名实体识别;深度学习模型;信息抽取
中图分类号：
作者姓名：
贺子康;杨勇;杨国峰;张欣钰
作者机构：
中国农业科学院农业信息研究所 北京 100081;浙江大学生物系统工程与食品科学学院 浙江 杭州 310058
文献出处：
引用格式：
[1]贺子康;杨勇;杨国峰;张欣钰-.基于BERT-BiLSTM-CRF的农产品信息文本命名实体识别研究及应用展望)[J].农业展望,2022(05):105-111
A类：
BMES
B类：
BERT,BiLSTM,CRF,农产品信息,本命,命名实体识别,研究及应用,应用展望,文本数据,取信,非结构化,结构化文本,产品特性,农业领域,多集,农业病虫害,爬虫,深度学习模型,实体抽取,结果比较,营养成分,召回率,IDCNN,中文文本,文本信息抽取,信息推荐系统,智能问答
AB值：
0.203499
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。
