文摘随着民用航空业的快速发展,民机运维数据的深度解析成为提升飞行安全与维修效能的关键路径。针对非结构化运维文本中要素实体识别与用户意图理解的双重需求,提出了一种多任务协同分析框架:首先,通过RoBERTa(robustly optimized BERT approach)模型进行预训练捕捉语义信息,接着通过双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)捕获时序依赖特征,并利用条件随机场(conditional random field,CRF)优化标签转移约束并输出,实现对维修记录中部件、故障、操作等实体的高精度识别;其次,面向智能问答系统的语义理解需求,对比分析BERT、RoBERTa及Qwen-Max预训练语言模型在运维意图识别任务中的适应性,基于性能与计算效率的平衡性验证,确立RoBERTa为意图分类基座模型。实验表明,所提框架在实体抽取与意图识别任务中均显著优于传统基准模型,其双任务协同机制为民机运维知识图谱构建与智能问答服务提供了数据支撑,具有较高的应用潜力和实用价值。
