---
title: existing-unsolved-reference-detector
canonical_url: "https://www.modelscope.cn/models/Fu496735182/existing-unsolved-reference-detector"
md_url: "https://www.modelscope.cn/models/Fu496735182/existing-unsolved-reference-detector.md"
repository: Fu496735182/existing-unsolved-reference-detector
chinese_name: "未解析的指代的检测方案"
last_updated: 2026-09-16
pipeline_tag: named-entity-recognition
tasks:
  - named-entity-recognition
parameters: 102.3M
tensor_type:
  - F32
library_name:
  - safetensors
downloads: 11
stars: 0
---

# existing-unsolved-reference-detector

> existing-unsolved-reference-detector - Fu496735182 在 ModelScope 开源的模型。本项目判断给定陈述中是否包含“未解析的指代”——即尚未绑定到具体实体的代词、指示词、不定表达或省略结构。

- **Repository**: Fu496735182/existing-unsolved-reference-detector
- **Tasks**: named-entity-recognition
- **Parameters**: 102.3M
- **Downloads**: 11
- **Stars**: 0
- **Last updated**: 2026-09-16

Source: https://www.modelscope.cn/models/Fu496735182/existing-unsolved-reference-detector

---

# 未解析指代检测器 (Has Unsolved Reference Detector)

> 基于规则路由 + BERT 语义分类的两层级联系统，用于检测自然语言陈述中是否存在未解析的指代表达。

## 项目简介

本项目判断给定陈述中是否包含**未解析的指代**——即尚未绑定到具体实体的代词、指示词、不定表达或省略结构。任务定义为二分类：

| 标签 | 含义 | 示例 |
|:----:|------|------|
| `false` | 陈述中的对象已解析为具体实体或足够明确的最小描述 | "小李点了一杯美式咖啡。" |
| `true` | 仍存在未解析指代、未绑定槽位或省略表达 | "用户和那位朋友约了周末见面。" |

## 系统架构

```mermaid
flowchart TD
    A["输入: statement_text"] --> B{"第一层\n规则路由\n8 个特征检测"}
    B -->|"所有特征 = 0"| C["输出: false\n高置信快速通道"]
    B -->|"任一特征 = 1"| D["第二层\nBERT 二分类模型"]
    D --> E{"P(true) >= 阈值?"}
    E -->|"是"| F["输出: true"]
    E -->|"否"| G["输出: false"]

    style B fill:#4CAF50,color:#fff
    style D fill:#2196F3,color:#fff
    style C fill:#9E9E9E,color:#fff
    style F fill:#FF9800,color:#fff
    style G fill:#9E9E9E,color:#fff
```

### 第一层：规则路由

8 个规则特征扫描陈述中的指代信号。如果**全部为 0**，样本直接判定为 `false`，无需调用模型。该快速通道可处理约 79% 的真实流量，准确率为 100%。

| 特征 | 检测内容 | 示例 |
|------|----------|------|
| `has_pronoun` | 中英文人称、物主和泛指代词 | 他、你们、对方、it、their |
| `has_demonstrative` | 中英文指示表达 | 这个、那位、these、those |
| `has_location` | 依赖上下文的位置表达 | 这里、那边、此处 |
| `has_question` | 可能代表未绑定槽位的疑问词 | 谁、哪个、哪里、多少 |
| `has_suspect` | 带显式指代标记的复合表达 | 前者、另一方、某人、哪家 |
| `has_indefinite` | 不定对象、泛称和省略表达 | 某个、一位老师、想了解一下 |
| `has_my_relation` | "我 + 关系角色"模式 | 我朋友、我女儿、我同事 |
| `has_en_ref` | 英文关系/疑问代词 | who、which、whatever |

### 第二层：BERT 分类器

被规则层路由的样本进入微调后的 **bert-base-chinese** 模型。输入构造如下：

```
指代片段：[规则命中位置左右各 4 字的片段，多个用 | 分隔]
目标内容：[target_content，仅在 context 未包含它时附加]
上下文：[组装后的 context]
```

模型输出 P(true)，通过验证集优化的阈值（**0.41**）决定最终标签。

## 性能指标

在独立测试集（1008 条样本，941 false / 67 true）上评估，checkpoint 和阈值均仅从验证集选择。

### 整体指标

| 指标 | 数值 |
|------|:----:|
| **准确率** | **97.62%** |
| 宏平均精确率 | 0.9183 |
| 宏平均召回率 | 0.8833 |
| 宏平均 F1 | 0.8999 |

### 分类别指标

| 类别 | 精确率 | 召回率 | F1 | 样本数 |
|:----:|:------:|:------:|:--:|:------:|
| false | 0.9842 | 0.9904 | 0.9873 | 941 |
| true  | 0.8525 | 0.7761 | 0.8125 | 67 |

### 分层统计

```mermaid
pie title 测试集分布 (1008 条样本)
    "规则层 (79.4%, 准确率 100%)" : 800
    "模型层 (20.6%, 准确率 88.46%)" : 208
```

| 层级 | 样本数 | 占比 | 准确率 |
|------|:------:|:----:|:------:|
| 规则层 | 800 | 79.4% | 100.00% |
| 模型层 | 208 | 20.6% | 88.46% |

### 混淆矩阵（模型层，208 条样本）

| 真实标签 \ 预测标签 | false | true | 合计 |
|:---:|:-----:|:----:|:----:|
| **false** | 132 (TN) | 9 (FP) | 141 |
| **true** | 15 (FN) | 52 (TP) | 67 |

## 快速开始

### 环境要求

```
torch >= 2.0
transformers >= 4.30
```

### 命令行推理

```bash
python main.py --statement "用户和那位朋友约了周末见面"
```

带可选上下文：

```bash
python main.py ^
  --statement "我朋友帮我下单" ^
  --target_content "朋友" ^
  --context "用户想给某人点外卖"
```

### Python API 调用

```python
from main import load_vocab, load_model, RuleLayer, predict

vocab = load_vocab()
rule = RuleLayer(vocab)
model, tokenizer, device = load_model()

result = predict(
    statement="用户和那位朋友约了周末见面",
    target_content="朋友",
    context="用户想约人见面",
    model=model,
    tokenizer=tokenizer,
    rule=rule,
    device=device,
)

print(result["prediction"])   # "true"
print(result["confidence"])   # 0.87
print(result["source"])       # "model" 或 "rule"
```

## 项目结构

```
has_unsolved_reference2/
├── main.py                  # 推理脚本（两层管线）
├── README.md
├── model/
│   ├── config.json          # BERT 模型配置
│   ├── model.safetensors    # 微调后的模型权重
│   ├── tokenizer.json       # 分词器词表
│   └── tokenizer_config.json
└── data/
    ├── ref_vocab.json       # 指代关键词词表
    └── sample.jsonl         # 示例样本（5 条）
```

## 关键词词表

词表文件 `data/ref_vocab.json` 包含 10 个类别共 178 个关键词：

| 类别 | 数量 | 示例 |
|------|:----:|------|
| 中文代词 | 26 | 他、她、对方、你们... |
| 英文代词 | 41 | he、she、they、someone... |
| 中文指示词 | 14 | 这个、那个、这种... |
| 英文指示词 | 4 | this、that、these、those |
| 位置词 | 8 | 这里、那里、此处... |
| 疑问词 | 13 | 谁、什么、哪个、怎么... |
| 不定指代 | 15 | 某个、该用户、另一位... |
| 我+关系词 | 34 | 我朋友、我女儿、我同事... |
| 英文关系代词 | 7 | who、which、whatever... |
| 疑似复合词 | 16 | 前者、另一方、某某... |

关键词与正则模式结合使用，可覆盖未见过的变体。

## 已知限制

- `true` 类样本较少，验证集仅有 18 条，阈值估计仍存在方差
- 当前 true 类召回率为 77.61%，漏报仍是主要问题
- 数据中存在重复模板句，甚至同一句式对应不同标签，可能影响模型学习
- 新增关键词应遵循"显式指代标记 + 结构模式 + 完整词排除"原则，避免误报