低资源场景下融合教育领域知识的命名实体识别

摘要

现阶段教育领域命名实体识别面临标注数据缺乏，领域知识性强且知识语义复杂、实体分布不平衡等问题，导致现有模型对命名实体识别任务性能较低。因此提出适用于低资源教育场景下融合教育领域知识的命名实体识别模型LAP-BERT(label adversarial pointer-bidirectional encoder representation from transformer）。首先，将标签解释信息的语义作为教育领域知识融入文本中，解决课程文本数据特征复杂、样本少的问题；其次，结合对抗训练对词向量扰动生成对抗样本并集成为融合层输出，缓解实体分布不平衡问题；最后，采用基于跨度的方式进行解码，用于解决实体边界不唯一的问题。实验结果表明，相较于其他基线模型，LAP-BERT的F1值有所提升，这表明本文方法在低资源教育场景下的命名实体识别任务中具有优势。

关键词

低资源 / 教育领域知识 / 命名实体识别 / 融合标签解释信息 / 对抗训练