典型文献
基于BERT-BiLSTM-CRF的涉恐实体识别模型研究
文献摘要：
涉恐情报应用的核心是预警,识别涉恐实体是实现恐怖风险预警的前提.机器学习在多个领域中优异表现,因此基于机器学习的涉恐实体识别得到了众多研究者的关注.以全球恐怖主义数据库为研究对象,提出一种端到端的不依赖人工特征选择和领域知识的涉恐实体识别模型.模型基于谷歌BERT预训练语言模型及预训练字嵌入向量,融合BiLSTM网络和CRF实现语句的上下文关联语义分析及语法结构约束.结果表明,基于BERT-BiLSTM-CRF的涉恐实体识别模型的召回率高达90％以上,性能优于传统的循环神经网络模型和CRF模型,能有效获取涉恐组织、暴恐发生地点等重要信息.
文献关键词：
命名实体识别;预训练语言模型;条件随机场;双向长短时记忆网络;涉恐情报
中图分类号：
作者姓名：
卢睿;黄俊博;李林瑛
作者机构：
辽宁警察学院公安信息系,辽宁 大连116036;大连外国语大学软件学院,辽宁 大连116044
文献出处：
引用格式：
[1]卢睿;黄俊博;李林瑛-.基于BERT-BiLSTM-CRF的涉恐实体识别模型研究)[J].数学的实践与认识,2022(08):128-136
A类：
B类：
BERT,BiLSTM,CRF,识别模型,涉恐情报,情报应用,风险预警,基于机器学习,恐怖主义,端到端,不依,特征选择,领域知识,预训练语言模型,练字,字嵌入,嵌入向量,语句,上下文,语义分析,语法结构,结构约束,召回率,循环神经网络模型,发生地,重要信息,命名实体识别,条件随机场,双向长短时记忆网络
AB值：
0.374816
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。
