黄子麒，胡建鹏

（上海工程技术大学 电子电气工程学院，上海 201620）

0 引言

汽车产业作为智能制造规划中的重要产业，受到工业界智能制造研究的广泛关注，自然语言处理和深度学习技术为其中知识挖掘提供了重要支撑。汽车产业汇聚了工业产品全生命周期设计研发、供应链、生产制造和维修运维等各个环节的数据，具有产业链复杂、业务逻辑多等特点，同时具备工业领域的数据多源、知识表征异构等特征，能作为工业典型数据进行分析，设计适用于汽车领域的通用命名实体识别（Named Entity Recognition，NER）模型是工业数字化转型中的一大挑战。

NER 是信息抽取的任务之一，旨在识别代表某类实体的文本跨度，并给定预先定义的类别，通用领域常用于识别人名、地名和组织名等，是自然语言处理技术关系抽取［1］、问答系统［2］和信息检索［3］等下游应用的关键支撑。现有的研究大多针对通用领域数据，同时在农业［4］、电网［5］等垂直领域也已取得较好的进展。以上领域数据标注歧义少，实体通常结构扁平且构成规则简单，因此实体识别效果较好。而汽车领域复杂的业务场景对实体识别提出了新的要求，实体组成结构复杂、实体标签不一致和样本不平衡等问题使得汽车领域实体抽取结果不理想。整车与零部件产品的从属关系、汽车装配中电气系统和动力系统的上下级关系引入了复杂的语义关系，带来了嵌套实体识别问题。汽车领域NER 的研究近年集中在基于序列的方法［6-7］，并未针对嵌套实体识别进行模型设计，挖掘上下文丰富语义信息和解决嵌套实体识别问题对于汽车领域NER 意义重大。……