-
题名融合注意力机制的电力集控安全隐患实体识别模型研究
被引量：1
- 1
-
-
作者
张滈辰
屈红军
牛雪莹
耿琴兰
-
机构
青海省电力公司科研综合楼
-
出处
《自动化仪表》
CAS
2023年第10期55-59,64,共6页
-
文摘
针对电力集控安全隐患文本实体边界模糊、常用实体识别模型识别准确率低的问题,提出了一种融合注意力机制与基于Transformer的双向编码器表示(BERT)-双向长短时记忆(BiLSTM)-条件随机场(CRF)的电力集控安全隐患数据实体识别模型。首先,利用BERT层将安全隐患文本编码表示为融合上下文语义的字位置和句位置的向量表示组,以减少实体识别误差积累。然后,提出了BiLSTM网络层挖掘电力集控隐患文本的语义特征并进行标签概率预测,在此基础上加入注意力机制增加重要信息的权重,提高重要信息对安全隐患语义信息的影响程度。最后,利用CRF层为标注结果进行综合打分,得到全局最优标签序列。在不同的电力安全隐患实体信息类别上的对比试验显示,所提模型的准确率为97.54%、召回率为96.47%、F值为97.13%,与传统算法相比总体效果提升了5%~21%。该结果证明了电力集控安全隐患实体识别模型的有效性。
-
关键词
实体识别
注意力机制
基于Transformer的双向编码器表示
电力集控隐患
最优标签序列
双向长短时记忆网络
条件随机场
-
Keywords
Entity recognition
Attentional mechanism
Bidirectional encoder representation from Transformer(BERT)
Electric power centralized control hidden danger
optimal labeling sequences
Bidirectional long short-term memory(BiLSTM)network
Conditional random field(CRF)
-
分类号
TH17
[机械工程—机械制造及自动化]
-
