基于融合词性的BiLSTM-CRF的期刊关键词抽取方法

摘要：

[目的]利用CRF模型处理序列标注问题的优势,通过将词性信息和CRF模型融入BiLSTM网络,实现期刊关键词的自动抽取.[方法]将关键词抽取问题视为一个序列标注问题.对期刊文本进行分词和词性标注的预处理;对预处理后的文本使用Word2Vec模型进行Word Embedding向量化,获取字词的向量表达式;使用BiLSTM-CRF模型进行关键词的自动抽取.[结果]使用融合词性的BiLSTM-CRF网络,在采集的知网期刊文本上进行实验,在简单关键词方面,准确率较原始的BiLSTM模型提升3％;在复杂关键词方面,准确率较原始的BiLSTM模型提升12％.[局限]期刊关键词抽取模型无法准确抽取复杂关键词,需要针对复杂关键词层面进一步提升模型性能.[结论]融合词性的BiLSTM-CRF模型与传统方法相比,具有较高的识别准确率,是一种有效的关键词抽取方法.

关键词：抽取、条件随机场、深度学习、双向长短期记忆网络

所属期刊栏目：5

分类号：TP393(计算技术、计算机技术)

在线出版日期：2021-05-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：101-108