基于DeepSeek和Deep Learning融合策略的工程保障实体识别OA
着眼工程保障智能化辅助决策需求,总结了工程保障领域实体特点;应用DeepSeek、Python和人工标注的方法,生成数据集;基于领域实体特点,提出了一种BERT-BiLSTM-ATT-CRF模型并在数据集在进行实验,通过与其他3种模型对比和实例验证,表明该模型具有较好的识别效果,精确率、召回率和F1值分别达到0.9805、0.9783、0.9786,数据集和模型可用于后续任务。
周超;屠义强;余若涵;杨兵;杨园园
陆军工程大学野战工程学院,南京210007陆军工程大学野战工程学院,南京210007陆军工程大学野战工程学院,南京210007陆军工程大学野战工程学院,南京210007陆军工程大学野战工程学院,南京210007
信息技术与安全科学
工程保障命名实体识别DeepSeek文本标注评估指标
《火力与指挥控制》 2026 (6)
P.84-92,9
评论