Page 67 - 2023年第54卷第7期

体的识别。在 Ｎ ＝ ３时，ＷＲＥＲＪＥ达到水利工程抢险实体识
别的最佳性能，此时 Ｆ１值为 ７８．１０。对于关系抽取，更改
Ｎ值对 Ｐ和 Ｒ都有较明显的影响。从 Ｎ＝ １开始，随着 Ｎ
值增加，关系抽取的 Ｐ和 Ｒ都会提高，直到 Ｎ ＝ ３ 。当 Ｎ ＝ ３
时，ＷＲＥＲＪＥ的 Ｐ、Ｒ和 Ｆ１值均达到最高值。为了更直观
展示更改 Ｎ值对 ＷＲＥＲＪＥ进行关系抽取性能的影响，图 ４
以折线图的形式展示了不同 Ｎ值下实体和关系抽取任务中
Ｆ１值的变化趋势。
实验结果表明动态提示序列中关系类型最佳数目为 ３。
正如 ３．１．２节中所述，动态提示生成器不做最终关系类型的 图 ４ 不同 Ｎ值下 Ｆ１指标的变化趋势
确定，只为联合抽取器提供一个候选关系列表。当 Ｎ小于 ３时，ＷＲＥＲＪＥ在关系提取任务上的 Ｆ１值
偏低，是因为范围过小的提示可能会遗漏正确的关系类型。例如 “非正常渗漏导致坝体、坝基发生管
涌、流土或脱坡” 语句，分类器预测的前 ３个候选关系列表为 “现象、功能相似、连带”。当 Ｎ＝ ２
时，处于列表中第三个位置的 “连带” 关系会被分类器忽略。导致抽取器不能正确抽取出 “非正常渗
漏” 与 “管涌、流土、脱坡” 之间的连带关系。
反之，当 Ｎ大于 ３时，由于候选关系列表范围太大，包含过多不正确的关系类型，噪声数据给联
合抽取器造成误导，使其在关系抽取上的 Ｆ１值偏低。综上，动态提示关系类型最佳数目为 Ｎ ＝ ３ 。
５．２ 数据增强策略的有效性检验结果 设计 ＷＲＥＲＪＥ 和 ＷＲＥＲＪＥ 两种场景以进行数据增强策略
ｗｄａ ｗ?ｏｄａ
的有效性检验，ＷＲＥＲＪＥ 在第 １组未经增强的训练集上接受训练，ＷＲＥＲＪＥ 在经过数据增强后的
ｗ?ｏｄａ ｗｄａ
第 ２组训练集上进行训练。ＷＲＥＲＪＥ 和 ＷＲＥＲＪＥ ｗ?ｏｄａ 最终都在第 ２组测试集上进行测试。实验结果如
ｗｄａ
表 ４所示。

表 ４ 数据增强策略对 ＷＲＥＲＪＥ性能的影响
实体 关系
策略
Ｐ Ｒ Ｆ１ Ｐ Ｒ Ｆ１

７９．４１ ７７．４６ ７８．４２ ７７．００ ７９．４７ ７８．２２
ＷＲＥＲＪＥ ｗｄａ
７６．３５ ７４．５９ ７５．４６ ７２．６３ ７５．２８ ７３．９３
ＷＲＥＲＪＥ ｗ?ｏｄａ

实验结果显示，在水利工程抢险实体抽取上，ＷＲＥＲＪＥ 的精确率、召回率和 Ｆ１值分别为 ７９．４１、
ｗｄａ
７７．４６和 ７８．４２，经过数据增强策略后的训练集在实体抽取上的 Ｆ１值比 ＷＲＥＲＪＥ 模型提高了约２．９６。
ｗ?ｏｄａ
在水利工程抢险关系抽取上，ＷＲＥＲＪＥ 的精确率、召回率和 Ｆ１值分别为 ７７．０、７９．４７和 ７８．２２，各项指
ｗｄａ
标均显著高于 ＷＲＥＲＪＥ 。ＷＲＥＲＪＥ 采用了未经增强的第一组训练集进行训练，模型只学习到了
ｗ?ｏｄａ ｗ?ｏｄａ
普通情况下的数据特征，因此模型鲁棒性不如 ＷＲＥＲＪＥ 。以上结果证实了使用一些描述模糊但标注
ｗｄａ
正确的句子对模型进行微调有利于提升 ＷＲＥＲＪＥ对正确和非正确实体与关系的区分能力，验证了数据
增强策略的有效性。
５．３ 基准模型对比实验结果 将 ＷＲＥＲＪＥ与三种基准模型 ＷＲＥＲＪＥ 、ＷＲＥＲＪＥ 和 ＷＲＥＲＪＥ
ｓｉｎｇｌｅ ｗ?ｏＤＰ ｂａｓｅ
进行对比，以检验动态提示、联合抽取与大型预训练模型先验知识的有效性。基准模型有关配 置
如４．４节所述，所有模型均在第 ２组数据集上进行训练和测试。各模型性能对比实验结果如表 ５。
从表 ５中可以看出 ＷＲＥＲＪＥ对于实体抽取的各项指标均高于基于静态提示的 ＷＲＥＲＪＥ ｗ?ｏＤＰ 模型和
基于 轻 量 级 Ｔ５ － ｖ．１．１ － ｂａｓｅ的 ＷＲＥＲＪＥ ｂａｓｅ 模 型， ＷＲＥＲＪＥ对 于 实 体 抽 取 的 Ｆ１值 仅 比 最 佳 模 型
ＷＲＥＲＪＥ 略低 ０．２７，但 ＷＲＥＲＪＥ对于关系抽取的 Ｆ１值比 ＷＲＥＲＪＥ 高出 ６．８８。实验结果表明，大
ｓｉｎｇｌｅ ｓｉｎｇｌｅ
型预训练语言模型（Ｔ５ － ｖ．１．１ － ｌａｒｇｅ）具备的通用语义信息结合了水利工程抢险领域语义信息后，能够
使 ＷＲＥＲＪＥ在该领域实体和关系联合抽取上表现出较 ＷＲＥＲＪＥ 更优的性能。动态提示对水利工程抢
ｂａｓｅ
险实体抽取影响不大，但是可以显著提高对抢险关系抽取的能力。将实体抽取和关系抽取任务联合对

— ８ ２ ５ —