典型文献
基于对抗迁移的复合材料检测领域命名实体识别
文献摘要：
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％.
文献关键词：
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
中图分类号：
作者姓名：
李洋;蔡红珍;邢林林;苏展鹏
作者机构：
山东理工大学农业工程与食品科学学院,淄博 255000;山东省清洁能源工程技术研究中心,淄博255000;山东理工大学计算机科学与技术学院,淄博255000
文献出处：
引用格式：
[1]李洋;蔡红珍;邢林林;苏展鹏-.基于对抗迁移的复合材料检测领域命名实体识别)[J].科学技术与工程,2022(30):13370-13377
A类：
versarial,AdBC,基于转换器的双向编码特征
B类：
对抗迁移,材料检测,检测领域,命名实体识别,named,entity,recognition,NER,精准提取,实体信息,专业名词,对抗训练,ad,training,BERT,bidirectional,encoder,representations,from,transformers,识别模型,规模较,迁移能力,字向量,语句,繁杂,冗长,自注意力机制,双向长短期记忆网络,Bi,模型增强,上下文,语义关系,分词,共享信息,传统模型,综合评价指标
AB值：
0.334716
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
