MRC

本论文关于设备故障领域的NER任务，将 NER 的序列标注问题重构为 MRC 问题。

MRC（Machine Reading Comprehension）机器阅读理解，与文生成和机器翻译任务类似。本论文使用该方法，根堆每个实体类型，设计了相应地自然语言形式的查询，通过上下文的查询来定位并提取实体。例如，针对故障代码 the machine suffers from error[#10482] 的命名实体识别，被形式化为 “文本中提到了哪种故障代码 ” 。

人话：先通过某个文生成/机器翻译模型将错误代码转化为中文，然后通过预定的错误代码进行映射

本文的主要工作如下：

  1. 将 NER 任务转化为 MRC 问题，采用自然语言查询来实现命名实体的识别。
  2. 通过在查询中集成预设的命名实体类别信息，克服传统方法中实体类别语义信息缺少的限制，提升命名实体识别的准确性。
  3. 结合设备故障数据集的构建，开展相关的实 验对比，并进行定量分析，证明了本文方法的有效性。

模型结构

  • 编码层为 ALBERT
  • 特征提取为 BiLSTM
  • 分类器为两个sigmoid，分别预测实体的起始索引、结束索引

数据集

对比试验

模型为以下几类：

结果：

消融实验