基于对抗迁移的复合材料检测领域命名实体识别

摘要：

命名实体识别(named entity recognition,NER)可整合复合材料检测领域相关数据精准提取关键实体信息,促进产业信息化,为行业发展提供技术支撑.针对复合材料检测领域专业名词过多及边界混淆等问题,提出了一种基于对抗训练(ad-versarial training)和BERT(bidirectional encoder representations from transformers)嵌入相结合的领域命名实体识别模型(BERT-AdBC).首先,复合材料检测领域数据规模较小,BERT嵌入增强了领域迁移能力,通过融合字向量获取充分的语义表示;其次,领域语句繁杂冗长,引入自注意力机制结合双向长短期记忆网络(Bi-LSTM)模型增强了上下文之间语义关系的获取;最后,对抗训练利用分词任务与实体识别任务的共享信息解决了边界混淆问题.实验结果表明,本文所提出的BERT-AdBC模型对复合材料检测领域实体识别的效果要优于传统模型,综合评价指标F1最高提升6.48％.

关键词：复合材料、深度学习、基于转换器的双向编码特征、对抗训练、命名实体识别

所属期刊栏目：22

分类号：TP391.1(计算技术、计算机技术)

资助基金：国家重点研发计划2018YFB1403302

在线出版日期：2022-12-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：13370-13377