基于 BERT 模型的教育技术学领域实体抽取

来源：计算机技术与发展杂志2022年第10期北京时间：

作者：胡慧婷;李建平;董振荣;白欣宇

摘要：网络环境下资源丰富导致教育技术学信息量大,使得学习者认知效率低、注意力无法集中,最终偏离学习的目标并且无法完成特定的学习任务。 为了解决学习者在网络学习中遇到的这些问题,该文提出一种结合 BERT-BiLSTM-CRF的教育技术学主干课程命名实体识别方法,以提高学习者学习效率为目的。 首先构建教学技术学主干课程命名实体识别数据集,将文本转换成计算机可识别的形式,使用 BERT 语言模型进行文本特征提取获取字粒度向量矩阵;然后使用双向长短期记忆网络( Bi-directional Long Short-Term Memory,BiLSTM) 提取输入语句与上下文之间字与字的关系;最后使用条件随机场( Conditional Random Field,CRF) 模型,根据标签之间的依赖关系提取全局最优的输出标签序列;最终得到教育技术学主干课程命名实体。 实验结果表明,该模型的识别效果优于 CRF、BiLSTM-CRF,该模型的精确率、召回率和 F1 值均有提升,整体识别性能较高。

关键词：教育技术学;命名实体识别;BERT;双向长短期记忆网络;条件随机场