计算机应用

作者：徐章杰, 陈艳平, 扈应, 黄瑞章, 秦永彬

单位：1.文本计算与认知智能教育部工程研究中心（贵州大学），贵阳 550025；2.公共大数据国家重点实验室（贵州大学），贵阳 550025；3.贵州大学 计算机科学与技术学院，贵阳 550025

关键词：命名实体识别,跨度分类,多目标学习,边界生成,神经网络

基金：黔科合重大专项(［2024］003);国家重点研发计划项目(2023YFC3304500);国家自然科学基金资助项目(62166007)

命名实体识别（NER）旨在从非结构化文本中识别预定义的实体类型。基于跨度的NER方法通过枚举所有可能的跨度进行分类，然而文本中相邻的跨度共享上下文语义，会导致跨度之间的边界语义信息模糊，从而使模型难以获取跨度间的依赖信息。针对跨度间边界语义信息模糊的问题，提出一种联合边界生成的多目标学习NER模型。该模型通过联合NER任务和边界生成任务，以多目标学习的方式进行共同训练。其中：使用边界生成任务作为辅助任务引导模型网络关注跨度的边界信息，以增强跨度的边界语义，进而提升NER的性能。在ACE2004、ACE2005和GENIA数据集上进行测试，所提模型的F1值分别达到了87.83%、86.90%和81.65%，实验结果充分验证了该模型在不同数据集上的有效性，也进一步验证了该模型在命名实体识别任务中的优越性能。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期