摘要：領(lǐng)域內(nèi)命名實(shí)體識(shí)別通常面臨領(lǐng)域內(nèi)標(biāo)注數(shù)據(jù)缺乏以及由于實(shí)體名稱(chēng)多樣性導(dǎo)致的同一文檔中實(shí)體標(biāo)注不一致等問(wèn)題.針對(duì)以上問(wèn)題,利用生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial network, GAN)可以生成數(shù)據(jù)的特點(diǎn),將生成式對(duì)抗網(wǎng)絡(luò)與BiLSTM-Attention-CRF模型相結(jié)合.首先以BiLSTM-Attention作為生成式對(duì)抗網(wǎng)絡(luò)的生成器模型,以CNN作為判別器模型,從眾包標(biāo)注數(shù)據(jù)集中整合出與專(zhuān)家標(biāo)注數(shù)據(jù)分布一致的正樣本標(biāo)注數(shù)據(jù)來(lái)解決領(lǐng)域內(nèi)標(biāo)注數(shù)據(jù)缺乏的問(wèn)題;然后通過(guò)在BiLSTM-Attention-CRF模型中引入文檔層面的全局向量,計(jì)算每個(gè)單詞與該全局向量的關(guān)系得出其新的特征表示以解決由于實(shí)體名稱(chēng)多樣化造成的同一文檔中實(shí)體標(biāo)注不一致問(wèn)題;最后,在基于信息安全領(lǐng)域眾包標(biāo)注數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該模型在各項(xiàng)指標(biāo)上顯著優(yōu)于同類(lèi)其他模型方法.