王澤輝　徐萬(wàn)通　鄭藝葦　林嘉儀　周伏倪　李世中

摘要：旅游業(yè)是許多國(guó)家和地區(qū)的重要支柱產(chǎn)業(yè)之一，對(duì)促進(jìn)經(jīng)濟(jì)增長(zhǎng)和就業(yè)起到關(guān)鍵作用。其次，旅游是人們之間交流和相互了解的重要途徑，有助于促進(jìn)不同地域、民族和文化之間的交流與融合。因此，文章采用BERT-BiGRU-CRF命名實(shí)體識(shí)別模型和BERT-TextCNN文本分類(lèi)模型，對(duì)旅游領(lǐng)域文本數(shù)據(jù)進(jìn)行了知識(shí)抽取。其中，BERT-BiGRU-CRF在旅游實(shí)體數(shù)據(jù)集上的F1值達(dá)到了90.69%，BERT-TextCNN在旅游分類(lèi)數(shù)據(jù)集上的F1值達(dá)到了92.51%，實(shí)驗(yàn)效果良好。文章提出的知識(shí)抽取方案為旅游領(lǐng)域的知識(shí)抽取提供了新方向，同時(shí)為基于該領(lǐng)域知識(shí)圖譜的知識(shí)問(wèn)答、知識(shí)檢索等應(yīng)用提供了幫助。

關(guān)鍵詞：旅游領(lǐng)域；知識(shí)抽取；命名實(shí)體識(shí)別；文本分類(lèi)

中圖分類(lèi)號(hào)：TP81 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）13-0042-03 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

旅游業(yè)是國(guó)家和地區(qū)的產(chǎn)業(yè)，能夠創(chuàng)造就業(yè)機(jī)會(huì)、促進(jìn)貨物和服務(wù)的流通、推動(dòng)地方經(jīng)濟(jì)的發(fā)展[1]。還能夠促進(jìn)文化傳承和保護(hù)，許多旅游目的地?fù)碛胸S富的歷史文化遺產(chǎn)，通過(guò)旅游活動(dòng)，可以促進(jìn)這些文化資源的傳承和保護(hù)，提高人們對(duì)文化遺產(chǎn)的認(rèn)識(shí)和重視。

知識(shí)圖譜是一種用于表示知識(shí)的圖形化結(jié)構(gòu)[2]，它以實(shí)體和實(shí)體之間的關(guān)系為基礎(chǔ)，將現(xiàn)實(shí)世界中的信息進(jìn)行抽象和組織，形成一種圖形化的知識(shí)表達(dá)方式。知識(shí)圖譜的核心思想是將知識(shí)以圖的形式進(jìn)行建模，從而幫助計(jì)算機(jī)系統(tǒng)理解和處理復(fù)雜的語(yǔ)義關(guān)系。一個(gè)知識(shí)圖譜通常由節(jié)點(diǎn)和邊組成。節(jié)點(diǎn)代表現(xiàn)實(shí)世界中的實(shí)體，邊則表示節(jié)點(diǎn)之間的關(guān)系。知識(shí)圖譜的構(gòu)建通常依賴(lài)于多種信息源，包括結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化文本等[3]。構(gòu)建知識(shí)圖譜的過(guò)程包括數(shù)據(jù)抽取、實(shí)體識(shí)別、關(guān)系抽取、知識(shí)表示等多個(gè)步驟。

構(gòu)建旅游旅游知識(shí)圖譜，可以將豐富多彩的旅游資源進(jìn)行整合和展示，包括景點(diǎn)名稱(chēng)、地理位置、特色景觀、歷史文化等，其次有助于傳承和宣傳歷史文化和民族風(fēng)情，促進(jìn)地方經(jīng)濟(jì)發(fā)展、文化傳承和社會(huì)進(jìn)步。

1 相關(guān)理論與技術(shù)

1.1 BERT-BiGRU-CRF 模型

構(gòu)建知識(shí)圖譜需要對(duì)非結(jié)構(gòu)化文本數(shù)據(jù)進(jìn)行實(shí)體抽取，本文選擇了BERT-BiGRU-CRF模型，如圖1 所示：

首先，BERT作為底層模型，負(fù)責(zé)學(xué)習(xí)句子中每個(gè)詞的上下文語(yǔ)義表示。然后，BiGRU模型用于進(jìn)一步處理詞語(yǔ)序列，通過(guò)雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，能夠有效地捕捉序列數(shù)據(jù)的上下文信息。BiGRU模型從兩個(gè)方向（左到右和右到左）掃描輸入序列，然后將兩個(gè)方向的隱藏狀態(tài)進(jìn)行拼接，提供更全面的信息。最后，CRF模型用于對(duì)BiGRU輸出的特征序列進(jìn)行標(biāo)簽預(yù)測(cè)，利用標(biāo)簽之間的轉(zhuǎn)移概率建模序列標(biāo)注任務(wù)中的約束關(guān)系，從而得到最終的命名實(shí)體識(shí)別結(jié)果。

1） BERT模型。BERT[4]是由Google于2018年提出的一種基于Transformer架構(gòu)的預(yù)訓(xùn)練語(yǔ)言模型。相較于之前的語(yǔ)言模型，BERT的主要?jiǎng)?chuàng)新在于引入了雙向性，即同時(shí)考慮了上下文左右兩側(cè)的信息。BERT模型的預(yù)訓(xùn)練過(guò)程包括兩個(gè)任務(wù)[5]：Masked Language Model（MLM） 和Next Sentence Prediction（NSP） 。在MLM任務(wù)中，輸入序列中的一部分詞會(huì)被隨機(jī)地mask掉，模型需要預(yù)測(cè)這些被mask的詞。而在NSP任務(wù)中，模型需要判斷兩個(gè)句子是否相鄰。這樣的預(yù)訓(xùn)練任務(wù)設(shè)計(jì)使得BERT能夠?qū)W習(xí)到更豐富的句子表示，從而在各種自然語(yǔ)言處理任務(wù)中取得了非常好的效果。

2） BiGRU模型。GRU是一種循環(huán)神經(jīng)網(wǎng)絡(luò)的變體[6]，具有門(mén)控機(jī)制，有助于克服傳統(tǒng)RNN中的梯度消失問(wèn)題。GRU包含更新門(mén)和重置門(mén)，它們決定了當(dāng)前時(shí)間步的輸入是否被更新到隱藏狀態(tài)中，從而控制了信息的流動(dòng)。相比于傳統(tǒng)的RNN結(jié)構(gòu)，GRU更容易訓(xùn)練，參數(shù)數(shù)量也更少。更新門(mén)和重置門(mén)的計(jì)算公式如下：

zt=σ（Wz?[ht?1，xt]+bz ）

rt=σ（Wr?[ht?1，xt]+br ）

更新后的候選隱藏狀態(tài)的計(jì)算公式如下：

H=tanh（W?[rt×ht?1，xt]+b）

BiGRU是一種雙向門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由兩個(gè)方向的GRU組成，分別從左到右和從右到左地掃描輸入序列，然后將兩個(gè)方向的隱藏狀態(tài)進(jìn)行拼接或合并，以捕獲序列數(shù)據(jù)中的上下文信息。BiGRU結(jié)構(gòu)通過(guò)同時(shí)考慮序列數(shù)據(jù)的前后信息，能夠更好地捕獲序列數(shù)據(jù)中的依賴(lài)關(guān)系和語(yǔ)義信息。它不僅能夠利用當(dāng)前時(shí)間步之前的信息，還能夠利用當(dāng)前時(shí)間步之后的信息，從而提供更全面的上下文信息。

3） CRF。CRF[7]是一種概率圖模型，常用于序列標(biāo)注任務(wù)，如命名實(shí)體識(shí)別、詞性標(biāo)注等。在CRF中，假設(shè)給定輸入序列和輸出序列，CRF通過(guò)定義一組特征函數(shù)來(lái)建模輸入序列和標(biāo)簽序列之間的關(guān)系。這些特征函數(shù)衡量了輸入序列和標(biāo)簽序列之間的對(duì)應(yīng)關(guān)系以及相鄰標(biāo)簽之間的轉(zhuǎn)移概率。CRF模型的核心是學(xué)習(xí)條件概率分布，即給定輸入序列，預(yù)測(cè)輸出序列的概率分布。模型參數(shù)通過(guò)最大化對(duì)數(shù)似然函數(shù)進(jìn)行學(xué)習(xí)，通常采用隨機(jī)梯度下降等優(yōu)化算法進(jìn)行參數(shù)估計(jì)。CRF模型能夠有效地捕捉序列數(shù)據(jù)中的依賴(lài)關(guān)系，提高模型在序列標(biāo)注任務(wù)中的性能。CRF模型的條件概率分布可以通過(guò)以下公式表示：

1.2 BERT-TextCNN 模型

對(duì)文本數(shù)據(jù)識(shí)別出實(shí)體信息后，還需確定兩個(gè)實(shí)體之間的關(guān)系，才能轉(zhuǎn)換為三元組數(shù)據(jù)進(jìn)行存儲(chǔ)。本文選擇了BERT-TextCNN模型來(lái)實(shí)現(xiàn)實(shí)體間的關(guān)系分類(lèi)，如圖2所示。

首先，BERT用于學(xué)習(xí)文本中每個(gè)詞的上下文語(yǔ)義表示。接下來(lái)，TextCNN 用于進(jìn)一步處理文本特征，通過(guò)卷積和池化操作對(duì)文本進(jìn)行特征提取和壓縮。TextCNN利用卷積神經(jīng)網(wǎng)絡(luò)的局部感知能力，能夠有效地捕捉文本中的局部特征。最后，將輸出向量傳入全連接層進(jìn)行分類(lèi)預(yù)測(cè)。

1） TextCNN。TextCNN[8]是一種用于文本分類(lèi)任務(wù)的深度學(xué)習(xí)模型。與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)或者長(zhǎng)短期記憶網(wǎng)絡(luò)相比[9]，TextCNN能夠更好地捕捉文本中的局部特征，從而在文本分類(lèi)任務(wù)中取得了良好的性能。TextCNN的核心思想是將文本表示為固定長(zhǎng)度的向量，并通過(guò)卷積和池化操作對(duì)文本進(jìn)行特征提取和壓縮。卷積層通過(guò)多個(gè)卷積核對(duì)詞向量序列進(jìn)行卷積操作，以捕捉不同長(zhǎng)度的局部特征。每個(gè)卷積核對(duì)輸入進(jìn)行一維卷積操作，產(chǎn)生一個(gè)特征圖。池化層對(duì)每個(gè)特征圖進(jìn)行池化操作，通常采用最大池化操作來(lái)壓縮特征圖的維度，保留最顯著的特征。

2） 全連接層。全連接層[10]，也稱(chēng)為密集連接層或者仿射層，是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中常見(jiàn)的一種層類(lèi)型。在全連接層中，每個(gè)神經(jīng)元都與上一層的所有神經(jīng)元相連，每個(gè)連接都有一個(gè)權(quán)重參數(shù)。因此，全連接層中的每個(gè)神經(jīng)元都接收上一層所有神經(jīng)元的輸入，并輸出給下一層所有神經(jīng)元。全連接層通常用于網(wǎng)絡(luò)的最后幾層，用于將前面層提取的特征進(jìn)行組合和整合，從而得到最終的輸出。在分類(lèi)任務(wù)中，全連接層的最后一層通常使用softmax激活函數(shù)，將模型的輸出轉(zhuǎn)換為類(lèi)別的概率分布。全連接層的輸出計(jì)算可以用以下數(shù)學(xué)公式表示：

z=Wx+b

式中，x 為輸入向量，W 為權(quán)重矩陣，b 為偏置向量，z 為全連接層的輸出。

3） Softmax層。Softmax函數(shù)是一種常用的激活函數(shù)，主要用于多分類(lèi)問(wèn)題中的輸出層。它將輸入的原始分?jǐn)?shù)轉(zhuǎn)換成每個(gè)類(lèi)別的概率值。Softmax函數(shù)對(duì)每個(gè)原始分?jǐn)?shù)進(jìn)行指數(shù)化，并將結(jié)果歸一化，使得輸出的概率之和等于1。這樣的輸出可以被解釋為每個(gè)類(lèi)別的置信度或概率。Softmax計(jì)算公式如下：

2 實(shí)驗(yàn)設(shè)置

2.1 實(shí)驗(yàn)參數(shù)設(shè)置

本文的實(shí)驗(yàn)基于TensorFlow平臺(tái)搭建，實(shí)驗(yàn)環(huán)境配置如表1所示：

BERT-BiGRU-CRF命名實(shí)體識(shí)別模型參數(shù)設(shè)置如下：batch_size 設(shè)置為32，gru_units 設(shè)置為128，drop_rate設(shè)置為0.5，learn_rate設(shè)置為0.0001，共訓(xùn)練20個(gè)epoch。

Bert-TextCNN文本分類(lèi)模型參數(shù)設(shè)置如下：優(yōu)化器選擇Adam，卷積核設(shè)置為（3，4，5） ，drop_rate設(shè)置為0.5，共訓(xùn)練20個(gè)epoch。

2.2 實(shí)驗(yàn)結(jié)果分析

為了比較各模型在旅游領(lǐng)域命名實(shí)體識(shí)別和文本分類(lèi)上的表現(xiàn)，本文使用準(zhǔn)確率、召回率和F1值衡量不同模型的性能，實(shí)驗(yàn)結(jié)果如表2和表3所示：

從表2可以看出，BERT-BiGRU-CRF模型相較于傳統(tǒng)的BiGRU-CRF和BERT-CRF模型，在F1值上取得了3.61% 和2.11% 的提升，說(shuō)明結(jié)合了BERT預(yù)訓(xùn)練的語(yǔ)義表示和BiGRU-CRF模型的序列標(biāo)注能力，在命名實(shí)體識(shí)別任務(wù)中取得了顯著的性能提升。BERT 模型能夠?qū)W習(xí)到豐富的語(yǔ)義信息，通過(guò)預(yù)訓(xùn)練的方式在大規(guī)模文本語(yǔ)料上學(xué)習(xí)詞語(yǔ)之間的語(yǔ)義關(guān)系，能夠更好地捕捉詞語(yǔ)的上下文信息。而B(niǎo)iGRU-CRF模型則能夠有效地捕捉序列數(shù)據(jù)中的依賴(lài)關(guān)系，并通過(guò)條件隨機(jī)場(chǎng)模型進(jìn)行序列標(biāo)注，具有良好的序列標(biāo)注能力。結(jié)合BERT的語(yǔ)義表示和BiGRU-CRF模型的序列標(biāo)注能力，BERT-BiGRU-CRF 模型能夠更全面地利用文本中的語(yǔ)義和序列信息，從而取得了較大的性能提升。

從表3可以看出，BERT-TextCNN模型相較于傳統(tǒng)的TextCNN和BERT模型，在F1值上取得了4.71%和3.12% 的提升，說(shuō)明結(jié)合了BERT 的語(yǔ)義表示和TextCNN模型的特征提取能力，能夠在文本分類(lèi)任務(wù)中取得顯著的性能提升。BERT模型能夠?qū)W習(xí)到豐富的文本語(yǔ)義信息，而TextCNN模型則通過(guò)卷積和池化操作對(duì)文本進(jìn)行特征提取和壓縮，能夠有效地捕捉文本的局部特征。結(jié)合BERT的語(yǔ)義表示和TextCNN模型的特征提取能力，BERT-TextCNN模型能夠更全面地利用文本中的語(yǔ)義和局部特征信息，在文本分類(lèi)任務(wù)中更準(zhǔn)確地判斷文本的類(lèi)別。

3 結(jié)束語(yǔ)

在基于深度學(xué)習(xí)的旅游領(lǐng)域知識(shí)抽取研究中，通過(guò)本文所提出的BERT-BiGRU-CRF命名實(shí)體識(shí)別模型、BERT-TextCNN文本分類(lèi)模型，我們成功地實(shí)現(xiàn)了對(duì)旅游領(lǐng)域相關(guān)知識(shí)的自動(dòng)化抽取。通過(guò)深度學(xué)習(xí)技術(shù)，我們能夠更準(zhǔn)確、更高效地從海量的旅游文本數(shù)據(jù)中提取出有用的信息，為旅游業(yè)的發(fā)展和決策提供了有力支持。未來(lái)會(huì)進(jìn)一步改進(jìn)模型的性能和泛化能力，提高知識(shí)抽取的準(zhǔn)確度和效率，同時(shí)結(jié)合領(lǐng)域知識(shí)和人類(lèi)專(zhuān)家經(jīng)驗(yàn)，進(jìn)一步優(yōu)化模型的設(shè)計(jì)和訓(xùn)練過(guò)程，探索多模態(tài)數(shù)據(jù)融合的方法，提升知識(shí)抽取的綜合能力和應(yīng)用效果。

參考文獻(xiàn)：

[1]林婷，孫妍，易敏，等.“互聯(lián)網(wǎng)+”時(shí)代智慧旅游發(fā)展及盈利模式探索[J]. 商展經(jīng)濟(jì)，2024（5）：31-34.

[2] 趙卓，田侃，張殊，等. 面向智慧文博的知識(shí)圖譜構(gòu)建綜述[J].軟件導(dǎo)刊，2022，21（5）：1-8.

[3] 張吉祥，張祥森，武長(zhǎng)旭，等. 知識(shí)圖譜構(gòu)建技術(shù)綜述[J]. 計(jì)算機(jī)工程，2022，48（3）：23-37.

[4] DEVLIN J，CHANG M W，LEE K，et al. BERT：pre-training of deep bidirectional transformers for language understanding[EB/OL]. arXiv preprint arXiv：1810. 04805， 2018.

[5] 宋璐璐. 基于知識(shí)圖譜的水稻病蟲(chóng)害問(wèn)答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 雅安：四川農(nóng)業(yè)大學(xué)，2023.

[6] 翟文鵬，宋一嶠，張兆寧. 基于Transformer-GRU網(wǎng)絡(luò)的4D航跡預(yù)測(cè)[J/OL]. 重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），1-7[2024-03-27].

[7] LAFFERTY J D，MCCALLUM A，PEREIRA F C N. Conditional random fields：probabilistic models for segmenting and labeling sequence data[C]//Proceedings of the Eighteenth International Conference on Machine Learning. ACM，2001：282–289.

[8] 鄒旺，張吳波. 基于BERT-TextCNN 的汽車(chē)評(píng)論情感分析[J]. 天津理工大學(xué)學(xué)報(bào)，2024，40（1）：101-108.

[9] SUNDERMEYER M，SCHL?TER R，NEY H. LSTM neural net?works for language modeling[C]//Interspeech 2012. ISCA：ISCA，2012：194-197.

[10] 張靜，高子信，丁偉杰.基于BERT-DPCNN的警情文本分類(lèi)研究[J/OL].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，1-15[2024-03-27].

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目：高原地區(qū)車(chē)內(nèi)智能化檢測(cè)供氧換氣裝置 （S202310694017） ；大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“： 主動(dòng)式”道路智能交互系統(tǒng)的研發(fā)（2024XCX015）