融合对抗训练的光电企业信息命名实体识别.pdfVIP

第24卷第2期软件导刊Vol.24No.2

2025年2月SoftwareGuideFeb.2025

融合对抗训练的光电企业信息命名实体识别

艾芳菊，王庆雪

（湖北大学计算机与信息工程学院，湖北武汉430062）

摘要：针对光电企业信息非结构化数据中实体结构冗长、实体嵌套等问题，提出一种融合对抗训练的BERT-BiG⁃

RU-IDCNN-CRF模型。先通过BERT进行预训练，获取包含上下文语义的动态词向量，与对抗训练产生的扰动融合，

再输入到BiGRU和IDCNN提取特征并进行拼接，最后用CRF解码，获取目标序列。利用人民日报和MSRA开源数据

集进行实验，进一步验证模型有效性。实验结果表明，此模型可以有效改善模型准确率、召回率和F1值，对解决光电

企业信息中实体结构冗长、嵌套等问题具有一定效果，并且提高了模型鲁棒性和泛化能力，其中光电数据集的F1值

比基准模型BiGRU-CRF和IDCNN-CRF分别提高了9.2和12.6个百分点。

关键词：命名实体识别；BiGRU；IDCNN；对抗训练

DOI：10.11907/rjdk.231333开放科学（资源服务）标识码（OSID）：

中图分类号：TP391文献标识码：A文章编号：1672-7800（2025）002-0069-07

NamedEntityRecognitionofOpto-ElectronicEnterpriseInformation

BasedonAdversarialTraining

AIFangju，WANGQingxue

（SchoolofComputerScienceandInformationEngineering，HubeiUniversity，Wuhan430062，China）

Abstract：Aimingattheproblemsoflengthyentitystructureandentitynestinginunstructureddataofopto-electronicenterpriseinformation，

thispaperproposesaBERT-BiGRU-IDCNN-CRFmodelfusedadversarialtraining.First，BERTmodelisusedaspre-trainingtoobtaindy⁃

namicwordvectorscontainingcontextualsemantics，whicharefusedwiththeperturbationsgeneratedbyadversarialtraining.Thentheword

vectorsareimportedintoabidirectionalgatedrecurrentunitnetwork（BiGRU）andaniterateddilatedconvolutionalneuralnetwork（IDCNN）

toextractfeatureswhicharespliced.Finally，theyaredecodedbyconditionalrandomfields（CRF）inordertogetta