计算机科学与探索

作者：邱云飞, 董丽波, 张文文

单位：1. 辽宁工程技术大学 软件学院，辽宁 葫芦岛 1251052. 辽宁工程技术大学 工商管理学院，辽宁 葫芦岛 125105

关键词：低资源命名实体识别,变分自编码器,条件编码器,级联扩散模型,对抗学习

基金：辽宁省重点研发项目（LJ212410147079）。

在低资源命名实体识别（NER）任务中，目前许多基于迁移学习的方法虽然能够缓解数据稀缺问题，但往往会导致句子中部分正确信息的遗漏或识别错误，从而影响模型在低资源环境中的效果。针对此问题，提出了一种基于多模块协同的NER模型Diff-Cascade-NER。利用变分自编码器（VAE）在潜在空间中学习数据表示，并生成多样化的样本；将上下文信息、句法分析和VAE重构数据作为条件输入到条件编码器（CE）进行编码；将编码后的数据传递给级联扩散模型（CDM），通过多阶段的去噪和生成过程产生高质量样本；通过对抗学习阶段（AL）优化生成样本的质量和多样性。实验结果表明，对比现有模型，Diff-Cascade-NER在8个低资源数据集上表现优越，特别是在BC2GM和WNUT-16数据集上，F1值分别达到85.44%和56.38%，验证了各模块协同作用在低资源NER任务中的有效性。

来源：2026年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第2期