计算机软件及计算机应用论文_迁移学习在低资源 - 资源与产业杂志社投稿

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

计算机软件及计算机应用论文_迁移学习在低资源

作者:

关键词:

摘要：

文章摘要:实体识别是信息抽取工作中的一项基础性工作。目前在缺乏足够的标注语料的低资源场景下如何有效的识别实体，仍是自然语言处理中的一项挑战性工作。本文结合预训练模型，采用一种“统一编码一分离解码”解决方案，学习大规模领域实体抽象边界信息，基于迁移学习，将大规模领域实体边界抽象信息迁移到低资源场景，提高低资源场景实体识别精度。与现有方法不同的是，仅在解码前对特征向量进行适配。设计了一种自适应模块对统一编码方式得到的每一特征向量按照目标域的实体类型和标注方式维度进行单独解码，确定每个实体的标注方式，避免复杂的实体嵌套问题。基于公开数据集的实验结果表明：相较于BERT-BiLSTM-CRF基线模型，在医药领域低资源场景下，精确率提高4.00%，召回率提高5.40%，F1提高4.72%；在人事领域低资源场景下，精确率提高31.91%，召回率提高31.70%，F1提高31.86%。基于自主采集整理数据集的实验结果也表明了模型在低资源场景下进行实体识别的有效性，相较于Lattice-BERT模型，在精确率、召回率等方面有所提高。

文章关键词:

论文分类号:TP391.1;TP181

文章来源：《资源与产业》网址: http://www.zyycyzz.cn/qikandaodu/2021/1217/2489.html