高校学业文本命名实体识别及数据集构建研究

doi:10.3778/j.issn.1002-8331.2207-0471

摘要/Abstract

摘要： 近年来，我国高校因学业问题无法顺利毕业的学生数量逐年上升，给高校教学管理工作带来极大压力。利用知识图谱技术快速自动解答学业困惑成为亟待解决的重要问题。实体精准识别可有效提取学业管理文本中的关键信息，但该领域尚未存在公开适用的标注数据集，因此开展面向具有普遍性和通识性的高校学业命名实体识别数据集变得极为迫切。依据学业管理专家的领域知识，对某高校13万余字学业文本制定了8类学业数据构建标准，并根据构建标准以及文本特性完成了标注工作。将BiLSTM-CRF等4种识别模型在公开数据集和构建数据集上进行实验测试，结果表明构建的数据集可以应用于高校学业领域的命名实体识别任务，构建方法具有普适性，而且分类标注后的数据集识别效果相较未分类数据集有明显提升，进一步验证了该分类标准的有效性。

关键词: 高校学业, 命名实体识别, 数据集构建, 实体标注, BiLSTM-CRF

Abstract: In recent years, the number of students who fail to graduate rises year by year because of their academic problems, which brings great pressure to teaching management in universities. Accurate entity recognition can effectively extract key information from academic management texts in universities, but there is no publicly available annotated dataset in this field. Therefore, it is extremely urgent to develop a named entity recognition dataset for the general university academic management. A data construction standard with 8 categories is developed for academic texts longer than 130 000 words in a university with the domain expertise of academic management professionals. The annotation work is completed according to the construction standard and text characteristics. Four recognition models, such as BILSTM-CRF, are tested in the public datasets and the constructed datasets. The results show that the datasets constructed in this paper can be applied to the task of named entity recognition in the academic field of universities, and the construction method is universal. Moreover, the recognition effect of the classified labeled datasets is significantly improved, compared with the unclassified datasets, which further verifies the effectiveness of the classification standard.

Key words: college academic, named entity recognition, dataset construction, entity labeling, BiLSTM-CRF

何晨, 苑迎春, 王克俭, 陶佳. 高校学业文本命名实体识别及数据集构建研究[J]. 计算机工程与应用, 2023, 59(22): 322-328.

HE Chen, YUAN Yingchun, WANG Kejian, TAO Jia. Research on College Academic Text Named Entity Recognition and Dataset Construction[J]. Computer Engineering and Applications, 2023, 59(22): 322-328.

参考文献

[1] 2019年全国教育事业发展统计公报[J].中国地质教育，2020，29（4）：120-124.
Whole country education business development statistics official gazette by 2019[J].Chinese Geological Education，2020，29（4）：120-124.
[2] 孟平贵.普通高等学校学生管理规定与学生工作规范化实务手册：第一卷[M].长春：吉林音像出版社，2005.
MENG P G.The practice manual of student management regulations and student work standardization in ordinary institutions of higher learning Volume 1[M].Changchun：Jilin Audio Visual Publishing House，2005.
[3] RAU L F.Method for extracting company names from text：US 5287278[P].1994.
[4] 谭玲，鄂海红，匡泽民，等.医学知识图谱构建关键技术及研究进展[J].大数据，2021，7（4）：80-104.
TAN L，E H H，KAUNG Z M，et al.Key technologies and research progress of medical knowledge graph construction[J].Big Data Research，2021，7（4）：80-104.
[5] 李韧，李童，杨建喜，等.基于Transformer-BiLSTM-CRF的桥梁检测领域命名实体识别[J].中文信息学报，2021，35（4）：83-91.
LI R，LI T，YANG J X，et al.Bridge inspection named entity recognition based on Transformer-BiLSTM-CRF[J].Journal of Chinese Information Processing，2021，35（4）：83-91.
[6] 杨锦锋，关毅，何彬，等.中文电子病历命名实体和实体关系语料库构建[J].软件学报，2016，27（11）：2725-2746.
YANG J F，GUAN Y，HE B，et al.Corpus construction for named entities and entity relations on Chinese electronic medical records[J].Journal of Software，2016，27（11）：2725-2746.
[7] LI J，SUN A，HAN J，et al.A survey on deep learning for named entity recognition[J].IEEE Transactions on Knowledge and Data Engineering，2020，34（1）：50-70.
[8] 王传栋，徐娇，张永.实体关系抽取综述[J].计算机工程与应用，2020，56（12）：25-36.
WANG C D，XU J，ZHANG Y.Survey of entity relation extraction[J].Computer Engineering and Applications，2020，56（12）：25-36.
[9] 王智悦，于清，王楠，等.基于知识图谱的智能问答研究综述[J].计算机工程与应用，2020，56（23）：1-11.
WANG Z Y，YU Q，WANG N，et al.Survey of intelligent question answering research based on knowledge graph[J].Computer Engineering and Applications，2020，56（23）：1-11.
[10] 张少伟，王鑫，陈子睿，等.有监督实体关系联合抽取方法研究综述[J].计算机科学与探索，2022，16（4）：713-733.
ZHANG S W，WANG X，CHEN Z R，et al.Survey of supervised joint entity relation extraction methods[J].Journal of Frontiers of Computer Science and Technology，2022，16（4）：713-733.
[11] 吴智妍，金卫，岳路，等.电子病历命名实体识别技术研究综述[J].计算机工程与应用，2022，58（21）：13-29.
WU Z Y，JIN W，YUE L，et al.Review of research on named entity recognition technologies for electronic medical records[J].Computer Engineering and Applications，2022，58（21）：13-29.
[12] 梁兵涛，倪云峰.基于集成学习的中文命名实体识别方法[J].南京师范大学学报（自然科学版），2022，45（3）：123-131.
LIANG B T，NI Y F.Chinese named entity recognition method based on ensemble learning[J].Journal of Nanjing Normal University（Natural Science Edition），2022，45（3）：123-131.
[13] 袁子博，姚涛，闫连山.基于命名实体识别的违法广告词检测方法[J].计算机工程与应用，2023，59（15）：141-150.
YUAN Z B，YAO T，YAN L S.Detection method of illegal advertising words based on named entity recognition[J].Computer Engineering and Applications，2023，59（15）：141-150.
[14] 樊昊，陈俊杰，高静，等.基于BiLSTM-CRF纪检监察事件命名实体识别[J].计算机仿真，2022，39（6）：464-468.
FAN H，CHEN J J，GAO J，et al.Named entity recognition based on BiLSTM-CRF discipline inspection and supervision events[J].Computer Simulation，2022，39（6）：464-468.
[15] 程哲.基于深度学习的中学数学知识命名实体识别[D].邯郸：河北工程大学，2021.
CHEN Z.Named entity recognition of middle school mathematics knowledge based on deep learning[D].Handan：Hebei University of Engineering，2021.
[16] 中华人民共和国高等教育法[J].中华人民共和国全国人民代表大会常务委员会公报，2016（1）：55-61.
Higher education law of the People’s Republic of China[J].Bulletin of the Standing Committee of the National People’s Congress of the People’s Republic of China，2016（1）：55-61.
[17] 国家教育考试违规处理办法[J].中华人民共和国国务院公报，2005（6）：19-24.
Measures for handling violations in national education examinations[J].The Bulletin of the State Council of the People’s Republic of China，2005（6）：19-24.
[18] 普通高等学校学生管理规定[J].中华人民共和国国务院公报，2017（24）：25-33.
Common university student management rule[J].The Bulletin of the State Council of the People’s Republic of China，2017（24）：25-33.