融合多类型软提示与全局指针网络的古籍命名实体识别

来源：计算机工程与应用杂志2026年第10期北京时间：

作者：孙艳茹, 林民, 史明伟

单位：1.内蒙古师范大学 计算机科学技术学院，呼和浩特 010022；2.内蒙古电子信息职业技术学院，呼和浩特 010070；

摘要：古籍命名实体识别（named entity recognition，NER）旨在通过有限的标注样本识别未见的古籍实体。由于古籍文本的标注数据稀缺、实体边界模糊以及复杂的上下文语境，传统基于预训练语言模型（pre-trained language model，PLM）微调的方法在适应古籍文本时，主要存在嵌套实体检测困难和两阶段错误传播的问题。尽管提示学习在小样本任务中具有优势，但现有方法未充分优化来适应古籍的语言特性，导致信息挖掘不足，且需要精心设计模板和多轮推断，计算成本较高且稳定性差。针对以上问题，提出一种结合多类型软提示和高效全局指针网络（efficient global pointer，EGP）的古籍NER方法。使用多个实体类型标签词初始化多类型软提示，通过嵌入矩阵映射生成多个可学习的实体类别软提示向量，增强语义感知能力。采用注意力机制优化软提示与输入文本的交互，提升模型对古籍文本语义的理解。通过并行输入多个软提示至EGP，模型能够同时预测所有实体并精确捕捉实体边界，解决了传统两阶段模型中的错误传播与实体重叠问题。与BERT-BiLSTM-CRF方法相比，所提方法在《三十世家》古籍、礼仪领域古籍和CHisIEC三个数据集上的F1值分别提升了11.56%、9.52%和13.66%，且推理效率是BERT-BiLSTM-CRF方法的37.65倍，验证了该方法在古籍NER任务中的有效性。

关键词：古籍命名实体识别,软提示学习,高效全局指针网络

基金资助：国家自然科学基金（62266033）；无穷维哈密顿系统及其算法应用教育部重点实验室开放课题（2023KFZD03）；内蒙古师范大学研究生科研创新基金（CXJJB23011）。