基于样本贡献度对抗迁移的审计领域细粒度实体识别模型

细粒度命名实体识别(Named Entity Recognition,NER)在审计领域扶贫文本中识别实体信息,对优化扶贫政策成效分析与评估至关重要。近年来,深度学习在细粒度NER任务中取得显著成效,但特定领域仍面临语料集匮乏、迁移学习中细粒度特征不兼容性加剧及数据不平衡等问题。针对这些问题,制定了细粒度扶贫审计实体标签体系,并构建了细粒度扶贫审计语料集(FG-PAudit-Corpus)以解决审计领域数据集匮乏的问题。提出了基于样本贡献度对抗迁移的细粒度实体识别模型(FGATSC),该模型做对抗迁移训练,提出将样本贡献度权重纳入迁移特征中以解决细粒度特征的不兼容问题。同时,针对源域高资源与扶贫审计领域低资源样本的不平衡,提出了平衡资源对抗鉴别器(BRAD)以降低这种影响。实验结果表明,FGATSC模型在FG-PAudit-Corpus上F1的值为75.83%,较基线模型提高了9.03%,较其他主流模型提升了4.01%~6.53%;在Resume数据集上进行泛化性验证,F1值较近几年的主流模型提高约0.14%~1.31%,达到了95.77%。综上,验证了FGATSC模型的有效性和泛化性。

安全管理水平量化评估指标权重优化方法

为使石化安全管理评估指标体系更好地适用于时间、国家政策以及实际管理需求的转变,利用领域专家对已有事故案例集中的诱因指标重要度评价信息,基于二元语义分析方法,获取各样本的修正贡献度;综合样本的修正贡献度、时间、样本危害评分等要素,提出基于熵权法的指标权重计算方法;在该方法的基础上,开发相应的石化安全管理评估指标体系的指标权重修正系统,采用1 874个样本分批次修正某研究院已有指标权重。结果表明:随样本数量增加,修正后的指标权重曲线与优秀实践指标均值曲线的K-L散度越来越小,修正后的指标体系权重接近优秀实践指标均值权重,验证了该方法的合理、有效性。