AutoSpecNER: A Fine-Grained Named Entity Recognition Dataset for Vehicle Specification Extraction

📄 arXiv: 2606.24387v1 📥 PDF

作者: Jordan Lee, Filippos Ventirozos, Abdirahman Abdullahm, Ioanna Nteka, Peter Appleby, Matthew Shardlow

分类: cs.CL

发布日期: 2026-06-23

备注: 13 pages, 2 figures, 7 tables, Pre-print

💡 一句话要点

提出AutoSpecNER以解决汽车广告信息提取问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 命名实体识别 汽车规格提取 深度学习 数据集构建 变换器模型

📋 核心要点

  1. 现有的汽车命名实体识别资源不足，限制了汽车广告中信息提取的有效性。
  2. 论文提出了AutoSpecNER数据集，包含丰富的汽车规格信息，旨在提高细粒度实体识别的准确性。
  3. 实验结果表明，DeBERTa模型在微F1得分上达到90%，显著优于基于规则的方法和其他大型语言模型。

📝 摘要（中文）

汽车广告中包含丰富的规格信息，但现有的汽车命名实体识别（NER）资源仍然有限。本文介绍了AutoSpecNER，这是一个经过专家注释的细粒度实体识别数据集，专注于车辆列表中的信息提取。该数据集包含来自一个流行汽车销售网站的659条广告，标注了超过10,000个实体，涵盖15个类别，包括车型、发动机规格和电池容量。通过评估注释者之间的一致性，验证了注释质量，平均得分为91.5%。我们对基于规则的提取方法、微调的变换器编码器和大型语言模型进行了基准测试，结果显示DeBERTa模型以90%的微F1得分表现最佳，超越了基于规则的基线（43%）和最强的大型语言模型（77.8%）。

🔬 方法详解

问题定义：本文旨在解决汽车广告中规格信息提取的不足，现有方法在准确性和覆盖面上存在明显短板，无法有效识别和分类多样化的汽车规格实体。

核心思路：通过构建AutoSpecNER数据集，提供一个高质量的细粒度实体识别基准，利用深度学习模型（如DeBERTa）进行训练和评估，以提升汽车规格信息的提取能力。

技术框架：整体架构包括数据收集、专家注释、质量验证和模型训练四个主要阶段。数据集通过对汽车广告的分析，标注出多种规格实体，并使用深度学习模型进行训练和测试。

关键创新：AutoSpecNER数据集的构建和高质量的注释过程是本文的核心创新，提供了一个新的标准，能够有效提升汽车领域的命名实体识别性能。

关键设计：在模型训练中，采用了微调的变换器架构，并通过交叉验证确保模型的泛化能力，使用的损失函数和参数设置经过精心设计，以优化模型的性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，DeBERTa模型在微F1得分上达到了90%，显著优于基于规则的方法（43%）和其他大型语言模型（77.8%），展示了深度学习在细粒度命名实体识别中的强大能力。

🎯 应用场景

该研究的潜在应用领域包括汽车销售平台、在线广告分析和自动化信息提取系统。通过提高汽车规格信息的提取准确性，可以帮助消费者做出更明智的购买决策，同时也为汽车行业的数据分析提供支持，未来可能推动智能汽车和自动驾驶技术的发展。

📄 摘要（原文）

Vehicle advertisements contain rich specification information, but automotive NER resources remain limited. We introduce AutoSpecNER, an expert-annotated dataset for fine-grained entity recognition in vehicle listings. The dataset includes 659 advertisements from a popular car-selling website, with over 10,000 entities annotated across 15 categories, including MODEL, ENGINE_SPEC, and BATTERY_CAPACITY. Annotation quality was validated through inter-annotator agreement, achieving an average score of 91.5%. We benchmark rule-based extraction, fine-tuned transformer encoders, and large language models. DeBERTa achieves the best performance with a 90% micro-F1 score, outperforming the rule-based baseline (43%) and the strongest large language model (77.8%).