基于递进式卷积网络的农业命名实体识别方法科研分享

为了推动、应用智慧农业，实现农业的信息化、数字化、智能化、自动化管理，国内外各科研机构都投入了大量精力，应用深度学习、定位导航、人工智能等新兴技术，在农机设备、算法、系统等方面，取得了一定进展。

目前，我国农业发展处于转型过程中，需要将智慧农业放到社会中统筹谋划。智慧农业就是将物联网技术运用到传统农业中去，运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制，为农业生产提供精准化种植、可视化管理、智能化决策，使传统农业更具有“智慧”。

中国科学院合肥物质科学研究院智能机械研究所与中国科学技术大学，针对目前基于预训练语言模型的命名实体识别的研究，在面对农业领域存在的实体命名方式繁杂、实体边界模糊等问题时，仅使用PLM最后一层表示输出，且均从外部引入知识或操作对实体表示进行增强，忽视内部各层本身蕴含语言不同层次的丰富信息，这一问题，展开了一项基于递进式卷积网络的命名实体识别方法。

该方法首先存储自然句子，通过PLM后得到的每层输出表示;其次以递进式卷积作为全层信息的特征提取手段，对储存的模型中间层输出表示依次卷积。模型将注重全层信息，包括被忽略的浅层输出，而有研究表明靠近输入的模型层输出的句子嵌入包含更多的诸如短语、词组等粗粒度信息，对于边界模糊的农业命名实体识别，更关键的词组界定信息或许就隐含在这些被忽略的浅层嵌入中，可为农业领域存在的命名实体识别问题提供帮助。

无需外部信息的引入，充分利用已使用的计算力得到的结果就能增强句子的表示嵌入;最终通过条件随机场模型生成全局最优序列。

在构建的包含农作物品种、病害、虫害和农药4类农业实体的农业数据集上，所提方法的综合性指标F1值相较于基于Transformer的双向编码表征模型提升3.61%，在公开数据集上也有较好表现，其中在数据集MSRA上F1值提升至94.96%，说明基于递进式的卷积网络能够增强模型对自然语言的表示能力，在命名实体识别任务上具有优势。

该项研究对命名实体识别任务的应用，具有参考价值，期待未来越来越多的科研成果能应用在生产、生活中，充分推广并利用智慧农业做好眼前的事情，科技改变生活。