基于增强优化预训练语言模型的电力数据实体识别方法

知识图谱可有效整合电力系统中的多源数据,提升电网的知识管理水平。针对电力文本数据集稀缺、实体类型多样、专业性强的特点,提出1种基于增强优化预训练语言模型的电力数据实体识别方法。该方法使用实体词袋替换的数据增强技术扩大原始数据集,采用增强优化预训练语言模型(RoBERTa)进行动态语义编码,利用双向长短期记忆网络(BiLSTM)和条件随机场(CRF)提取特征并优化标签。实验结果表明,该实体识别方法比传统基于深度学习的实体识别方法的平均数指标F1分数高2.17%,证实其对构建电力数据知识图谱的识别效果。

一种强人工智能的实现方法

在当今时代,人们已经步入了高速发展的社会,在生活的各个角落,人们不断的上传和下载数据,然而随着数据的数量呈几何倍增长,人类已经不能凭借脑力去处理这些信息了。若想处理这些信息,人类必将借助人工智能,去处理这些复杂的信息。