火电厂故障诊断文本的实体抽取模型构建

摘要

针对火电厂故障诊断领域文本存在实体边界模糊、文本特征不够充分、模型识别效果不明显等问题，提出一种改进BERT-BiLSTM-CRF故障诊断领域文本实体识别模型。为了提高BERT模型在中文语境下的性能，对模型参数进行改进，使用对抗训练方法提高模型精度，使模型F₁值提高0.020 6。对已构建的数据集进行实体命名识别实验，实验结果表明：改进BERT-BiLSTM-CRF实体识别模型在数据集上的F₁值达到0.901 6,相较于其他模型F₁值有所提升，验证了该模型的有效性。

关键词

实体命名识别 / 预训练语言模型 / 火电厂 / 故障诊断 / 对抗训练