基于全域信息融合和多维关系感知的命名实体识别模型

来源：计算机应用杂志2025年第5期北京时间：

作者：胡婕, 武帅星, 曹芝兰, 张龑

单位：1.湖北大学 计算机学院，武汉 430062；2.大数据智能分析与行业应用湖北省重点实验室（湖北大学），武汉 430062；3.智慧政务与人工智能应用湖北省工程研究中心（湖北大学），武汉 430062

摘要：现有的基于双向长短时记忆（BiLSTM）网络的命名实体识别（NER）模型难以全面理解文本的整体语义以及捕捉复杂的实体关系。因此，提出一种基于全域信息融合和多维关系感知的NER模型。首先，通过BERT （Bidirectional Encoder Representations from Transformers）获取输入序列的向量表示，并结合BiLSTM进一步学习输入序列的上下文信息。其次，提出由梯度稳定层和特征融合模块组成的全域信息融合机制：前者使模型保持稳定的梯度传播并更新优化输入序列的表示，后者则融合BiLSTM的前后向表示获取更全面的特征表示。接着，构建多维关系感知结构学习不同子空间单词的关联性，以捕获文档中复杂的实体关系。此外，使用自适应焦点损失函数动态调整不同类别实体的权重，提高模型对少数类实体的识别性能。最后，在7个公开数据集上将所提模型和11个基线模型进行对比，实验结果表明所提模型的F1值均优于对比模型，可见该模型的综合性较优。

关键词：命名实体识别,全域信息融合机制,梯度稳定层,多维关系感知,自适应焦点损失

基金资助：国家自然科学基金资助项目(61977021)