从高速公路上的绿色通道文本记录中提取信息,使用混合深度学习

科学领域:

• 农业物流 农业物流
• 运输政策 运输政策
• 自然语言处理自然语言处理.

背景情况:

• 高速公路绿色通道对于运输中国新鲜农产品至关重要.
• 在这个系统中分析故障情况对于优化物流至关重要.
• 现有的从文本故障记录中提取信息的方法有限.

研究的目的:

• 开发一个高性能命名实体识别 (NER) 模型,从高速公路绿色通道故障案例记录中提取信息.
• 为了比较不同预训练的自然语言处理模型对于这个特定任务的有效性.
• 为未来的研究提供系统的解释失败案例和见解.

主要方法:

• 建议采用混合方法,将BIO标签,预训练模型,深度学习和条件随机场 (CRF) 结合起来.
• 对于高速公路绿色通道相关的八个关键实体被定义为NER.
• 使用了三种预训练模型 (BERT,ALBERT,RoBERTa),并对实体识别和特征提取进行了比较.

主要成果:

• 罗伯塔-BiGRU-CRF模型表现出卓越的性能,精度,回忆和F1分数分别为93.04%,92.99%和92.99%.
• 通过预训练提取的文本特征显著提高了深度学习算法的预测准确性.
• 在高速公路绿色通道NER任务中,RoBERTa模型被证明是非常有效的.

结论:

• 预先训练的语言模型,特别是RoBERTa,大大提高了基于深度学习的NER用于农业物流故障分析的准确性.
• 开发的NER模型提供了从文本数据中提取有价值的知识,为高速公路绿色通道故障提供了系统的解释和见解.
• 这项研究有助于通过改进数据分析和了解后勤挑战来优化农产品运输.