一种结合迁移学习和数据增强技术的交通地理实体识别方法

《Knowledge-Based Systems》：A Method for Transportation Geographic Entity Recognition Integrating Transfer Learning and Data Augmentation

　　

方俊|刘亚昌|叶芬|雷玉斌|田永宇|邹明普|杨麒麟|杨振生

摘要

随着城市化的快速推进和信息技术的不断发展，交通系统正朝着更加精细和智能化的管理方向发展。这一趋势使得对交通知识图谱和结构化语义表示的需求日益增长。在交通数据中，地理实体在组织语义信息及时空信息方面发挥着核心作用，例如道路、设施、位置以及空间关系等。然而，现有的命名实体识别（NER）模型难以直接应用于这一领域，因为它们通常难以处理边界模糊的问题、长尾实体类型以及交通文本中复杂的时空属性。为了解决这些问题，本文提出了一种结合迁移学习和数据增强技术的NER方法。该方法采用Transformer的双向编码器表示（BERT）进行交通领域的迁移学习，引入条件随机场（CRF）来提升实体边界的识别能力，并采用改进的PLMA（伪标签与混合增强）数据增强策略。在交通数据集上，该方法取得了83.1%的F1分数，分别比RoBERTa-BiLSTM-CRF、BERT-BiLSTM-CRF和BiLSTM-CRF高出2.4%、3.1%和4.9%。总体而言，本研究提出的方法及数据集为推进真实场景下的3D交通应用和智能交通系统提供了技术支持和语义数据资源。