在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一...在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一问题,提出一种基于铁路双向编码器表示(Rail Bidirectional Encoder Representations from Transformers,RailBERT)模型的测试案例事件抽取方法.首先,通过新词挖掘算法扩展列控领域的专业术语并构建语料库,在此基础上采用基于铁路领域全词掩码(Railway Whole Word Masking,RWWM)预训练任务训练针对铁路列控领域的RailBERT模型,以增强模型对领域语境的理解.然后,提出一种基于事件抽取的方法来自动提取车载ATP测试案例的预期结果,通过预定义事件类型及事件论元,全方位解析和表征预期结果.最后,将RailBERT与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiL⁃STM)和条件随机场(Conditional Random Field,CRF)结合,以增强模型捕捉序列信息和标签之间依赖关系的能力,从而更有效地从测试案例中提取事件.实验结果表明:在测试案例事件抽取数据集中,所提模型的F1值达到90.3%,能够较准确地从测试案例中提取预定义的事件,进而生成测试案例预期结果的结构化表示,为实现自动测试奠定基础.展开更多
文摘在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一问题,提出一种基于铁路双向编码器表示(Rail Bidirectional Encoder Representations from Transformers,RailBERT)模型的测试案例事件抽取方法.首先,通过新词挖掘算法扩展列控领域的专业术语并构建语料库,在此基础上采用基于铁路领域全词掩码(Railway Whole Word Masking,RWWM)预训练任务训练针对铁路列控领域的RailBERT模型,以增强模型对领域语境的理解.然后,提出一种基于事件抽取的方法来自动提取车载ATP测试案例的预期结果,通过预定义事件类型及事件论元,全方位解析和表征预期结果.最后,将RailBERT与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiL⁃STM)和条件随机场(Conditional Random Field,CRF)结合,以增强模型捕捉序列信息和标签之间依赖关系的能力,从而更有效地从测试案例中提取事件.实验结果表明:在测试案例事件抽取数据集中,所提模型的F1值达到90.3%,能够较准确地从测试案例中提取预定义的事件,进而生成测试案例预期结果的结构化表示,为实现自动测试奠定基础.
