面向配电网数据的命名实体识别
在电力系统中,配电调度是一个复杂且统筹性较强的工作,大多依赖于工作人员的经验和主观判断,极易出现纰漏.所以急需利用智能化手段来帮助检修计划的分析与生成.命名实体识别是构建配电网知识图谱以及问答系统等任务的关键技术,它能够将非结构化数据中的命名实体识别出来.针对配电检修数据的复杂性及强关联性等特点,本文采用BERT-IDCNN-BiLSTM-CRF深度学习模型.该模型相较于传统的BERT-BiLSTM-CRF模型,融入IDCNN神经网络模型,更好地利用GPU的性能,在保证识别准确率的前提下,提高效率.通过对标注好的检修计划数据进行训练,并与其他常用模型对比,在召回率、精确率以及F1值3个指标上,本文提出的模型均达到最优的效果,F1值可以达到83.1%,该模型在配电网数据识别任务上取得了很好的效果.
命名实体识别、配电网、膨胀卷积神经网络、双向长短期记忆网络、条件随机场
32
TP391;TM711;G420
辽宁省兴辽英才计划项目XLYC2019019
2023-02-15(万方平台首次上网日期,不代表论文的发表时间)
共7页
387-393