相关实验视频
Updated: Jul 6, 2025

04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
在航空航天领域,基于多功能融合变压器的命名实体识别
Jing Chu1, Yumeng Liu1, Qi Yue1
1School of Automation, Xi'an University of Posts & Telecommunications, 618 West Chang'an Street, Chang'an District, Xi'an, 710121, China.
Scientific reports
|January 9, 2024
概括
本研究介绍了一种新的多功能融合变压器 (MFT) 模型,用于航空航天领域的命名实体识别 (NER). 在定制的中国航空航天数据集上,MFT模型获得了86.10%的F1得分.
科学领域:
- 人工智能的人工智能
- 航空航天工程 航空航天工程
- 自然语言处理自然语言处理.
背景情况:
- 人工智能 (AI) 和航空航天的整合是一个重要的未来趋势.
- 命名实体识别 (NER) 对于从广泛的航空航天数据中提取知识至关重要.
- 现有的NER模型可能无法完全捕捉到专门的航空航天术语的细微差别.
研究的目的:
- 开发一个针对航空航天领域的高性能NER模型.
- 创建一个全面的中国航空航天实体认可数据集.
- 通过在NER模型中融合多模式特征来增强语义理解.
主要方法:
- 开发了一种新的多功能融合变压器 (MFT) 模型.
- 词和根特征的融合,以丰富语义信息.
- 利用双向神经网络来提高模型性能.
- 在新创建的3万句的中国航空航天数据集上训练MFT模型.
主要成果:
- 在航空航天实体认可方面,MFT模型表现出强的表现.
- 在专门的航空航天数据集上获得了86.10%的F1得分.
- 多模式特征的融合对该模型的有效性做出了重大贡献.
结论:
- 多元交易模式代表了航空航天领域NER的重大进步.
- 开发的数据集和模型为航空航天领域的AI应用提供了宝贵的资源.
- 这些发现强调了先进的NLP技术在分析复杂技术数据方面的潜力.

