📌 DistilBERT 在专利摘要 NER 任务中的数据标注作用及方法

🚀 为什么数据标注对 NER 任务重要？

在命名实体识别（NER）任务中，模型需要学习识别专利摘要中的特定实体类别，如技术术语、化学物质、专利申请人等。数据标注的核心作用：

1.  提供监督信号：DistilBERT 是基于有监督学习训练的，需要标注数据才能学习正确的实体边界和分类。
2.  提高模型泛化能力：高质量标注数据可以减少误分类，提高模型在未见专利上的泛化能力。
3.  适应专利领域术语：专利摘要包含行业专有术语，需要准确标注以提高领域适配性。

📌 1. 数据标注格式

在 NER 任务中，最常用的标注格式有 BIO（Begin-Inside-Outside）或 BILOU：

•   BIO（常用）：

"本发明涉及一种环氧树脂制备方法。" ["O", "O", "O", "O", "B-MAT", "I-MAT", "B-TECH", "I-TECH", "I-TECH", "O"]

•   B-MAT = 材料（Material）的开始
•   I-MAT = 材料的中间部分
•   B-TECH = 技术（Technology）的开始
•   I-TECH = 技术的中间部分
•   O = 不是实体的词

•   BILOU（更精细化）：

["O", "O", "O", "O", "B-MAT", "L-MAT", "B-TECH", "I-TECH", "L-TECH", "O"]

•   B = 实体的 开头
•   I = 实体的 中间
•   L = 实体的 结尾
•   O = 非实体

✅ 推荐使用 BIO，适用于 DistilBERT 训练。

📌 2. 如何对专利摘要进行标注？

✅ (1) 手动标注（适用于小规模数据）

使用工具 Label Studio、Prodigy 或 doccano 进行人工标注。

示例

本发明涉及一种环氧树脂制备方法。

人工标注：

{

"text": "本发明涉及一种环氧树脂制备方法。",
"entities": [
    {"start": 4, "end": 8, "label": "MAT"},  # "环氧树脂" 标注为材料
    {"start": 9, "end": 13, "label": "TECH"}  # "制备方法" 标注为技术
]

}

✅ (2) 规则匹配 + 词典扩充（适用于大规模数据）

对于大规模专利数据，可利用规则匹配 + 术语词典进行半自动标注：

import re

术语词典

materials = ["环氧树脂", "聚乙烯", "碳纳米管"] technologies = ["制备方法", "合成工艺", "涂层技术"]

def annotate_text(text):

annotations = []

# 标注材料
for mat in materials:
    for match in re.finditer(mat, text):
        annotations.append({"start": match.start(), "end": match.end(), "label": "MAT"})

# 标注技术
for tech in technologies:
    for match in re.finditer(tech, text):
        annotations.append({"start": match.start(), "end": match.end(), "label": "TECH"})

return {"text": text, "entities": annotations}

测试

text = "本发明涉及一种环氧树脂制备方法。" print(annotate_text(text))

✅ 适用于大规模专利数据，可减少人工标注成本。

📌 3. 训练 DistilBERT 进行 NER

✅ (1) 加载 DistilBERT

from transformers import AutoTokenizer, AutoModelForTokenClassification

加载预训练的 DistilBERT 模型

model_name = "distilbert-base-multilingual-cased" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForTokenClassification.from_pretrained(model_name, num_labels=7)

✅ (2) 处理数据集（BIO 格式）

from torch.utils.data import Dataset

训练数据示例

train_texts = ["本发明涉及一种环氧树脂制备方法。"] train_labels = [["O", "O", "O", "O", "B-MAT", "I-MAT", "B-TECH", "I-TECH", "I-TECH", "O"]]

class PatentNERDataset(Dataset):

def __init__(self, texts, labels, tokenizer, max_length=128):
    self.texts = texts
    self.labels = labels
    self.tokenizer = tokenizer
    self.max_length = max_length

def __len__(self):
    return len(self.texts)

def __getitem__(self, idx):
    text = self.texts[idx]
    labels = self.labels[idx]

    encoding = self.tokenizer(text, truncation=True, padding="max_length", max_length=self.max_length, return_tensors="pt")
    input_ids = encoding["input_ids"].squeeze()
    attention_mask = encoding["attention_mask"].squeeze()

    # 转换标签
    label_map = {"O": 0, "B-MAT": 1, "I-MAT": 2, "B-TECH": 3, "I-TECH": 4}
    label_ids = [label_map[label] for label in labels] + [0] * (self.max_length - len(labels))

    return {"input_ids": input_ids, "attention_mask": attention_mask, "labels": torch.tensor(label_ids)}

创建数据集

dataset = PatentNERDataset(train_texts, train_labels, tokenizer)

✅ (3) 训练 DistilBERT 进行 NER

import torch from torch.utils.data import DataLoader from transformers import AdamW

训练参数

device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) optimizer = AdamW(model.parameters(), lr=5e-5) train_loader = DataLoader(dataset, batch_size=2, shuffle=True)

训练循环

for epoch in range(3):

for batch in train_loader:
    optimizer.zero_grad()
    input_ids, attention_mask, labels = batch["input_ids"].to(device), batch["attention_mask"].to(device), batch["labels"].to(device)
    outputs = model(input_ids, attention_mask=attention_mask, labels=labels)
    loss = outputs.loss
    loss.backward()
    optimizer.step()
    print(f"Epoch {epoch}, Loss: {loss.item()}")

✅ 使用 DistilBERT 进行高效训练，减少计算资源消耗。

📌 4. 总结

步骤方法作用数据标注手动（Label Studio）或半自动（正则匹配+词典）生成高质量 BIO 格式数据数据格式 BIO 格式适用于 Transformer 训练模型选择 DistilBERT 速度快 60%，适用于大规模推理训练方式 PyTorch + AdamW 适用于 GPU 训练

📌 5. 下一步

•   是否需要优化数据标注流程（如自动化 NER 标注）？
•   是否需要优化推理速度（如 ONNX 加速 DistilBERT）？
•   是否需要进一步扩展到超大规模专利数据？

🚀 我可以帮助你优化专利 NER 任务！ 🚀

命名实体分类

在建筑行业的命名实体识别（NER）任务中，常见的实体类别通常可以分为以下几大类：

材料（Material）

指用于建筑施工的各种原材料和成品材料。示例：

•   混凝土、钢筋、水泥、砖块、砂石、玻璃、铝合金
•   复合材料、保温材料、木材、防水涂料

施工技术（Construction Technique）

指在建筑过程中使用的施工方法、工艺和技术。示例：

•   预制装配式、现浇混凝土、钢结构施工、深基坑支护
•   高性能混凝土技术、BIM（建筑信息建模）、3D 打印建筑

设备与机械（Equipment & Machinery）

指施工现场使用的各类设备、工具和机械。示例：

•   塔吊、挖掘机、起重机、打桩机、搅拌站
•   模板支撑系统、脚手架、电焊机、喷涂设备

建筑结构（Building Structure）

指建筑物的结构类型和组成部分。示例：

•   框架结构、剪力墙结构、装配式结构、钢结构
•   基础、梁、柱、板、楼梯、屋顶

建筑功能（Building Function）

指建筑的用途和功能类型。示例：

•   住宅、商业综合体、写字楼、医院、学校、机场、地铁站
•   绿色建筑、被动房、智能建筑

规范与标准（Regulations & Standards）

指建筑行业相关的法律法规、设计标准和施工规范。示例：

•   《建筑设计防火规范》（GB50016）、《混凝土结构设计规范》（GB50010）
•   LEED（绿色建筑认证）、BREEAM、ISO 9001

施工单位与角色（Organizations & Roles）

指建筑项目中涉及的公司、机构和人员角色。示例：

•   建设单位、总承包商、分包商、监理单位、设计院
•   施工员、项目经理、安全员、造价工程师、监理工程师

施工阶段（Construction Phase）

指建筑项目的各个施工环节。示例：

•   设计阶段、基础施工、主体结构施工、机电安装、装修阶段
•   竣工验收、交付运营

建筑风险与安全（Risk & Safety）

指建筑施工中的安全隐患、事故类型和安全防护措施。示例：

•   高空坠落、模板塌陷、起重伤害、触电事故
•   安全帽、安全网、消防喷淋、应急预案

总结

类别典型示例材料（Material）混凝土、钢筋、玻璃、保温材料施工技术（Technique）预制装配、BIM、3D 打印建筑设备与机械（Equipment）塔吊、挖掘机、脚手架建筑结构（Structure）框架结构、剪力墙、屋顶建筑功能（Function）住宅、医院、地铁站规范与标准（Regulations） GB50016、LEED、ISO 9001 施工单位与角色（Roles）施工员、监理单位、总承包商施工阶段（Phase）设计、基础施工、竣工验收建筑风险与安全（Safety）高空坠落、触电事故、安全帽

如果你要做建筑行业的命名实体识别（NER），可以基于这些类别构建标注体系，并训练模型来自动提取相关实体！ 🚀

ner.md 8.8 KB Historie Surový