-
题名基于LERT和BiTCN的金融领域命名实体识别
- 1
-
-
作者
陈雪松
王璐瑶
王浩畅
-
机构
东北石油大学电气信息工程学院
东北石油大学计算机与信息技术学院
-
出处
《计算机技术与发展》
2025年第3期125-132,共8页
-
基金
国家自然科学基金资助项目(61402099,61702093)。
-
文摘
针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过在TCN内部增加反向卷积层将其改进为BiTCN,采用BiTCN对字符向量进行编码以提取字符向量的全局语义特征;最后,通过CRF进行解码以得到最佳的预测标签序列。在公开数据集ChFinAnn和自制数据集FinanceNER两个金融领域数据集上进行对比实验,该模型在两个数据集上的F1值分别达到了84.16%和92.17%。相较于其它模型,该模型在金融领域的命名实体识别任务中效果更好,表明该模型具有一定的有效性。同时又在公开的Resume数据集上进行对比实验,该模型F1值相较于基线模型BiGRU-CRF提升2.31%,表明该模型具有一定的泛化性。
-
关键词
lert模型
金融领域
命名实体识别
双向时间卷积网络
条件随机场
-
Keywords
lert model
financial field
named entity recognition
bi-directional temporal convolutional network(BiTCN)
conditional random field(CRF)
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于LERT与CoMet的生成式员工情感识别研究
- 2
-
-
作者
王婷渲
尹裴
-
机构
上海理工大学管理学院
-
出处
《软件工程》
2025年第9期14-18,共5页
-
基金
教育部人文社会科学研究一般项目(23YJCZH281)
上海市哲学社会科学规划课题(2022ZGL010)
信息网络安全公安部重点实验室开放课题。
-
文摘
针对员工情感文本识别中样本数量有限且情感表达复杂的问题,提出结合常识知识模型CoMet与预训练语言模型LERT的情感识别方法。首先,利用DeepSeek生成涵盖悲伤、信任、喜悦、恐惧、怀疑、愤怒和自我否定7类情感的员工对话数据集,并进行情感倾向标注;然后,基于LERT模型结合CoMet模型,通过引入对话主体的目标识别与常识知识,增强模型对情感状态的理解与识别能力。实验结果表明,该方法在情感识别准确性上较传统方法平均提升10.2%,为情感分析提供了新的技术路径。
-
关键词
深度学习
lert
COMET
对话情感识别
-
Keywords
deep learning
lert
CoMet
conversational emotion recognition
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于LERT和双通道模型的微博评论情感分析研究
被引量：1
- 3
-
-
作者
荀竹
-
机构
湖北工业大学理学院
-
出处
《计算机时代》
2023年第10期80-82,88,共4页
-
文摘
为了高效监管舆论环境、加强网络舆情引导,提出一种基于LERT和双通道模型的微博评论情感分析方法。使用LERT预训练语言模型进行语义分析,通过BiGRU和TextCNN双通道结构获取文本信息,将双通道处理结果输入分类层获得情感分析结果。实验表明,该模型方法的正确率和F1值分别达到92.09%和94.38%,优于其他深度学习模型。
-
关键词
情感分析
lert
预训练语言模型
双通道
深度学习
-
Keywords
sentiment analysis
lert
pre-training language model
dual channel
deep learning
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进CASREL的教育资源实体关系抽取模型
- 4
-
-
作者
刘洋
唐海
徐洪胜
朱梦涵
周善美
-
机构
湖北汽车工业学院电气与信息工程学院
-
出处
《山西大同大学学报(自然科学版)》
2025年第5期105-113,共9页
-
基金
2023年湖北省重点研发计划项目[2023EHA018]
湖北省教育科学规划2020年和2022年度重点课题[2020GA045]、[2022GA0490]。
-
文摘
教育资源实体关系抽取是构建各学科知识图谱的基础,对描述知识间的关系起到重要作用。针对学科领域实体关系抽取过程中存在的实体重叠和交互缺失,提出融合LERT编码器与归一化改进的级联标记框架模型,可以提取句子中多个关系三元组,且不会受到重叠问题的困扰,但原始的编码器BERT没有考虑不同自然语言处理任务间的关系,提出使用基于知识增强的编码器LERT通过显式地注入语言知识来优化生成特征向量;在解码器阶段加入归一化模块来提高模型对语义特征的融合效果;通过数据增强方法扩充描述模糊但标签正确的数据来缓解标注成本。在公开数据集DuIE和大数据学科语料库上的对比实验表明,相较于未改进的联合抽取模型,提出模型F1值分别提升了4.36%和4.16%,证明该模型在实体关系联合抽取任务上的效果。
-
关键词
自然语言处理
实体关系联合抽取
lert
知识图谱
-
Keywords
natural language processing
joint extraction of entity relationships
lert
knowledge graph
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名塔里木油田钻完井液环保处理技术研究
被引量：4
- 5
-
-
作者
朱金智
叶艳
李家学
张謦文
冯觉勇
-
机构
中国石油塔里木油田分公司油气工程研究院
中国石油大学(北京)
-
出处
《油气田环境保护》
CAS
2017年第6期8-13,共6页
-
基金
中石油科技创新基金“页岩气作业含油废物低能深度脱附机理及处理技术研究”(项目编号2015D-5006-0306)
国家自然学科基金创新研究群体项目(项目编号51521063)
塔里木油田项目“钻完井废弃物环保处理技术调研及方案优选”(项目编号201015110022)
-
文摘
文章分别对水基磺化钻完井液和高密度柴油基钻完井液的环保处理技术进行了研究评价,对高温氧化、化学絮凝+机械脱水、生物修复等三类环保处理技术及工艺进行的研究表明,对水基磺化钻完井液产生的作业废物,3种方法中高温氧化处理技术处理效果稳定,COD去除率最高;化学絮凝+机械脱水工艺对COD去除效果不理想;生物处理工艺处理效果不能达到GB 8978—1996《污水综合排放标准》的二级标准,不适合于塔里木油田气候环境。对于油基钻完井液产生的作业废物,基于萃取脱附的LRET脱附技术处理后固相含油量小于1%,回收油全部回用作为配置油基钻井液的基油,处理效果稳定,处理后含油钻屑的含油量小于1%,达到DB 23/T 1413—2010《油田含油污泥综合利用污染控制标准》要求。
-
关键词
钻完井废物
环保处理
高温氧化
化学絮凝
lert脱附
-
Keywords
drilling waste
environmental treatment
high temperature oxidation
chemical flocculation
LRET desorption
-
分类号
X741
[环境科学与工程—环境工程]
-
-
题名橡胶硫化促进剂NS的合成研究
被引量：8
- 6
-
-
作者
谭雄文
徐军才
-
机构
衡阳师范学院化学与材料科学系
-
出处
《广东化工》
CAS
2006年第5期16-17,12,共3页
-
文摘
本研究采用促进剂M、叔丁胺为原料,以过氧化氢为氧化剂,用水做溶剂在酸性条件下合成橡胶硫化促进剂NS。并通过实验得到优化工艺条件:n(叔丁胺)/n(促进剂M)为2.0、n(过氧化氢)/n(促进剂M)为1.5、反应温度为60℃和反应时间为90min,在此工艺条件下合成橡胶硫化促进剂NS的收率可达90.0%。
-
关键词
硫化促进剂NS
硫化促进剂M
过氧化氧
叔丁胺
-
Keywords
Rubber accelerator NS, Rubber accelerator M, Oxidize hydrogen, lert-Butyl amine
-
分类号
TQ330.385
[化学工程—橡胶工业]
TQ612.9
[化学工程—精细化工]
-
-
题名促进剂NS合成工艺研究
被引量：2
- 7
-
-
作者
周禾大
-
机构
江苏索普集团振邦化工有限公司
-
出处
《精细化工原料及中间体》
2008年第6期16-18,共3页
-
文摘
采用促进剂M-Na盐作原料,加入少量的SDS作分散剂,同时将配制稀释的叔丁胺溶液投料,以次氯酸钠作氧化剂,合成硫化促进剂NS。实验最佳条件:主要原料配比:n(M):n(NaOH):n(叔丁胺)为1:1.02:2.6,分散剂SDS用量为M质量的0.4%。产品NS的一级品率达到90%以上,得率最大达到93.62%。
-
关键词
橡胶
硫化促进剂NS
促进剂M
叔丁胺
SDS
-
Keywords
rubber
accelerator NS
accelerator M
lert-butyl amine
SDS
-
分类号
TQ330.385
[化学工程—橡胶工业]
TQ463.4
[化学工程—制药化工]
-
