双解码器神经架构,基于不确定性的任务权重,用于注射成型中命名实体识别和缺陷诊断

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 自然语言处理自然语言处理.

背景情况:

• 命名实体识别 (NER) 对于构建非结构化文本数据至关重要.
• 现有的NER方法在注塑成型等专业领域面临长实体和分散跨度的挑战.
• 精确提取注塑成型工艺数据对于智能缺陷诊断和优化至关重要.

研究的目的:

• 提出一种新的双解码器神经架构,用于注塑领域的增强NER.
• 解决识别长实体,碎片化跨度以及整合字符级与实体级信息的挑战.
• 提高从注塑成型文本中提取关键信息 (原因,缺陷,解决方案) 的准确性和稳定性.

主要方法:

• 一个双解码器神经架构,利用一个共享的预训练模型进行上下文嵌入.
• 通过具有域约束的条件随机场 (CRF) 和多任务框架中的全球指针 (GP) 进行并行解码.
• 一个意识到不确定性的动态任务权重机制,在培训期间平衡解码器之间的贡献.

主要成果:

• 拟议的方法在自建的注塑模体上获得了86.09%的整体F1得分.
• 与现有的先进的NER模型相比,在识别关键实体方面表现优越.
• 对一般中国数据集的验证证实了该方法对具有类似长实体特征的文本的概括性.

结论:

• 双解码器架构有效地模拟了局部依赖性和全球边界语义,以提高NER准确性.
• 基于不确定性的动态任务权重增强了复杂的识别任务中的跨任务协同作用和模型稳定性.
• 拟议的方法为注塑成型行业的智能缺陷诊断和优化提供了重大进展.