您当前的位置: > 详细浏览

基于RoFormer 预训练模型的指针网络农业病害命名实体识别 后印本

请选择邀稿期刊:

Agricultural Disease Named Entity Recognition with Pointer Network Based on RoFormer Pre-trained Model

摘要: [目的/意义]针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别(Named Entities Recog⁃ nition, NER) 准确率不高的情况,以PointerNet为基准模型,提出一种基于RoFormer预训练模型的指针网络农业病 害NER方法RoFormer-PointerNet。[方法]采用RoFormer预训练模型对输入的文本进行向量化,利用其独特的旋 转位置嵌入方法来捕捉位置信息,丰富字词特征信息,从而解决一词多义导致的类型易混淆的问题。使用指针网 络进行解码,利用指针网络的首尾指针标注方式抽取句子中的所有实体,首尾指针标注方式可以解决实体抽取中 存在的嵌套问题。[结果和讨论]自建农业病害数据集,数据集中包含2 867条标注语料,共10 282个实体。为验 证RoFormer预训练模型在实体抽取上的优越性,采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试 验,RoFormer-PointerNet 与其他模型相比,模型精确率、召回率、F1 值均为最优,分别为87.49%,85.76% 和 86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势,与使用最为广泛的双向长短期记忆神经网络(Bidirectional Long Short-Term Memory, BiLSTM) 和条件随机场(Conditional Random Field, CRF) 模型进行对比试验, RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、 5.67%和3.87%,证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害 数据集中的识别性能,针对病害症状、病害名称、防治方法等8类实体进行了识别实验,本方法识别的精确率、 召回率和F1值分别为87.49%、85.76%和86.62%,为同类最优。[结论]本研究提出的方法能有效识别中文农业病 害文本中的实体,识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定 优势。

版本历史

[V1] 2024-06-17 23:19:49 ChinaXiv:202406.00276V1 下载全文
点击下载全文
预览
许可声明
metrics指标
  •  点击量231
  •  下载量71
评论
分享