基于类增量学习的小样本命名实体识别方法及装置与流程

1.一种基于类增量学习的小样本命名实体识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于类增量学习的小样本命名实体识别方法，其特征在于，所述通过调整已训练模型，将生成的数据用于模拟旧类别的特征，从而帮助模型在蒸馏过程中保留这些旧信息；采用对抗性学习，将合成数据的隐藏特征与真实的新类别数据对齐，使合成数据在语义上与真实样本更加相近，最终结合合成数据和对抗学习完成命名实体识别，具体包括子步骤：

3.根据权利要求2所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s1中，所述基类学习包括以下子步骤：

4.根据权利要求3所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s1中，所述ebp-uie模型包括输入层、特征提取层和输出层，还包括以下子步骤：

5.根据权利要求2所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s2中，所述增量学习，包括以下步骤：

6.根据权利要求4所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s12中，对于词向量etoken，将中文文本按字符切分，每个汉字独立成为一个词元，将句子进行分词后，每个词元对应到词汇表中的唯一标识符id，这些id被进一步转化为0-1编码，再通过与训练好的词嵌入矩阵相乘，产生最终的词向量etoken；

7.根据权利要求5所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s21中，合成数据的构造过程包括如下步骤：

8.根据权利要求5所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s22中，包括子步骤：在真实数据蒸馏中，引入一个温度参数t，通过调整t的值能够控制输出分布的平滑程度。

9.根据权利要求5所述的基于类增量学习的小样本命名实体识别方法，其特征在于，在步骤s23中，包括子步骤：采用基于梯度的方法确定更有效的对抗扰动方向，将梯度上升方向作为对抗扰动的方向，并据此引入对抗扰动以优化损失函数。

10.一种基于类增量学习的小样本命名实体识别装置，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，当计算机程序被处理器加载时执行权利要求1～9中任一项所述的方法。