摘要：随着深度学习的快速发展，人工智能技术的快速发展，人们通过深度学习解决问题的方法也越来越多，给我们的学习生活带来了极大的方便，在这个智能化的时代，我们可以通过智能化的方式来解决很多的问题，例如，通过命名实体识别来达到自动解题的目的。在数学学科领域，如果可以达到自动解题、自动问答、智能辅导的效果，就可以提高学习者的学习兴趣和学习效率，节省学习者的学习时间，更好地达到一定的学习、教学效果。本篇文章所使用的是基于双向长短时记忆神经网络BiLSTM-CRF的数学题实体识别模型，将数字、字母实体识别的任务看作为一种序列标注的问题来解决。此模型将数学题中的一个数字或字母作为一个基本单位输入到一定的数据序列来处理，也就是为数学题中的式子里含有的每一个字符指定一个相应的标签。本文所使用是“BIO”标注规则和基于CRF模型的标注规则，对数据进行精准的标注。其中，代数题型的命名实体识别中，题型包括：二次函数、一次函数、一元二次方程、一元一次方程、幂函数、不等式、指数函数七类，实体类型为：一次项、二次项、常数项、a、b、c、k、b、底数、指数。其内容主要有五部分，首先介绍了研究背景、研究的意义、研究现状、理论模型的介绍、基于BiLSTM-CRF模型的命名实体识别、基于CRF模型的命名实体识别、数据来源及预处理、实验设置、实验标准、实验结果与实验对比分析。

关键词：命名实体识别；BiLSTM-CRF；CRF；深度学习

目录

摘要

Abstract

引    言-2

一、研究背景和意义-3

二、研究现状-3

（一）国外研究现状-3

（二）国内研究现状-4

三、基于BiLSTM-CRF的命名实体识别-4

（一）BiLSTM-CRF理论简介-4

1.深度学习-4

2.命名实体识别-4

3.条件随机场模型-5

4.长短时记忆模型-5

5.双向长短时记忆神经网络加条件随机场-5

（二）相关技术简介-5

1.jieba分词-5

2.Word2vec-5

3.TensorFlow-6

4.优然学系统-6

5.精灵标注助手工具-6

6.Python-6

7.PyCharm-7

四、针对数学代数题语料数据的实验及结果分析-7

（一）数据来源-7

（二）数据预处理-7

（三）实验设置-13

（四）实验标准-23

（五）实验结果与分析-23

（六）BiLSTM-CRF模型与CRF模型的实验对比-24

结    论-26

参 考 文 献-27