37、自然语言处理在优化问题实体识别中的应用与研究

自然语言处理在优化问题实体识别中的应用与研究

1. 研究背景与问题提出

在自然语言处理（NLP）与优化问题的交叉领域，实体识别（NER）有着独特的挑战和应用价值。我们聚焦于 Ner4Opt 问题，旨在解决线性规划文字问题中的实体识别。具体探讨两个关键问题：现代 NLP 方法在 Ner4Opt 任务中的表现如何，与现有最佳解决方案相比的优劣，以及是否能推动该领域的技术前沿；结合特征工程、特征学习和数据增强的混合模型，是否比单一模型表现更优。

2. NER4OPT 数据集

2.1 数据集概述

使用 NeurIPS’22 自然语言优化挑战中发布的线性规划文字问题数据集。该数据集包含 1101 个线性规划文字问题，形式如下：
[
\begin{align }
\min_{x\in R^n} &\quad c^T x \
\text{s.t.} &\quad a_i^T x \leq b_i, \quad i = 1, \ldots, m
\end{align }
]
其中，$c$ 表示目标参数，$a_i$ 是第 $i$ 个约束条件，$b_i$ 是右侧限制。目标是找到使目标值最小的 $x$。

2.2 数据集统计信息

统计指标	值
数据集大小	1101