曹艳琴

（西安培华学院人文与国际教育学院，陕西西安 710125）

自然语言处理（Natural Language Processing，NLP）是指利用人类交流所使用的自然语言与机器进行交互通信的技术［1-4］。在NLP研究的早期，学者主要焦点集中在语言结构分析、技术驱动的机器翻译和语言识别方面［5-6］。目前的研究重点是NLP如何更加自然地在现实世界中使用，相应的研究领域包括智能对话系统和社交媒体数据等［7-8］。

随着机器学习的发展，有学者提出基于词典和规则的有监督机器学习分词算法［9-10］，该类方法的优点是简单、易于实现，并且可以根据特定场景制定合适的词典。然而，由于没有统一的分词标准，词典的质量无法明确界定，分词结果存在较大差异。此外，有学者提出利用深度学习在NLP领域进行序列标记［11-12］。然而，深度学习网络训练过程比较复杂，许多传统文本标记方法无法直接移植到深度学习网络。最后，NLP中最重要的为文本特征提取，常用的特征提取方法包括TF-IDF算法、TextRank算法、LDA算法等［13-14］。然而，现有的模型并没有考虑不同模式对当前学习任务的重要性，只关注如何有效地同时使用多种模式进行特征提取。

为解决上述问题，本文提出了一种多模态融合特征提取模型，结合条件随机场（Conditional Random Field，CRF），解决句子层次分析中的序列标注问题。并基于混合网络英语分词处理方法，提高英语分词效率及准确率。

1 英语分词混合网络

1.1 网络架构

基于字符的序列标注任务同样可以看作是一个英语分词任务。在分词处理过程中，深度学习对于四元组的描述，主要是借助A4nin，即注释集的方式来实现。……