的语义特征和上下文信息。然而，中文语料文本通常由字符构成，需要考虑字符的语义信息和词汇。

特征，同时引入其他表征信息来提升模型性能，如中文分词（CWS）、语义部分标签（POS）等外部

信息，因此构建中文命名实体识别（CNER）模型更为复杂。目前，NER 任务的研究方法主要包括基

于词典和规则的方法、基于机器学习（ML）的方法以及基于深度学习（DL）的方法。

目前，联合实体和关系提取神经模型可分为参数共享和序列标注两种方式。然而，许多研究将

实体和关系的联合提取看作是序列标记问题。尽管如此，识别复杂的关系仍然是一个具有挑战性的

任务，需要进一步提高联合提取模型的性能。此外，大多数新兴的联合提取神经模型仅在英语基准

上进行了评估，其在其他语言或特定领域的有效性尚待验证。Google 机器翻译团队提出了一种包

括自注意力机制和多头注意力机制的 transformer 结构。相较于循环神经网络（RNN）或卷积神经

网络（CNN），多头注意力机制具有许多吸引人的优点。在中文命名实体识别任务中，数据集中存在

大量非结构化文本，因此需要从多个角度和多层次来提取文本本身的更多特征。近年来，多头注意

力机制在命名实体识别任务中得到了广泛应用。例如，Li 等人采用了基于自注意力机制的深度学

习模型，而 Yin 等人则提出了一种名为 ARCCNER 的模型，该模型利用 CNN 网络学习中文激进特征并

使用自我注意机制自动获取权重。尽管字符特征得到了增强，但激进级别的特征仍然难以获取，这

不仅耗费成本，而且模型性能提升有限，尚未解决 BiLSTM 网络中的信息遗忘问题。

而基于大模型的知识抽取，流程如图 2.1 所示，是指利用具有数千万甚至数亿参数的深度学习

模型来进行知识抽取的过程。这种大模型通常基于深度学习原理，通过利用大量的数据和计算资源

来训练具有大量参数的神经网络模型，以在各种任务中取得最佳表现。

在知识抽取的场景中，大模型可以通过对大量非结构化文本的学习，自动识别和提取出其中的

结构化信息，如语义信息丰富的标签、短语等。这种过程可以通过识别、理解、筛选和格