摘要
实现2050年碳中和目标需依赖快速准确的信息决策支持。本研究通过微调五种法语RNN和Transformer模型，新增“TECH”类别以识别技术领域及产品，并提升“ORG”类别对初创公司名称的检测能力。实验表明，CamemBERT模型在有限数据（3260条标注）下表现最佳（F1分数91.28%），且仅需数千标注即可实现90%以上的实体识别准确率。该方法可自动分析新闻中的技术趋势与公司动态，为决策者提供高效洞察。
方法论
- 数据收集：通过GNews API爬取法语可再生能源领域新闻，经BeautifulSoup和Justtext清洗后构建标注数据集。
- 模型选择：测试包括spaCy CNN、Babelscape多语言NER、CamemBERT、DistilCamemBERT及CamemBERT NER在内的五种模型。
- 训练与评估：使用80%/20%划分的训练-验证集，通过spaCy框架统一微调，最终在独立测试集（460条标注）上评估性能。
关键结果
- 新技术检测：CamemBERT在“TECH”类别F1达91.28%，优于其他模型（如spaCy CNN仅56.67%）。
- 小数据训练：仅用40%训练数据时，模型仍保持73.93%的F1分数，验证了 frugal 数据可行性。
- 应用案例：从151篇新闻中自动提取高频公司（如TotalEnergies、EDF）与技术领域（如风电、光伏），并分析共现关系（如图6所示）。
结论
该方案证明了小规模高质量标注数据可有效微调NER模型，适用于领域特定实体识别。未来可通过数据增强和半监督学习进一步提升性能，扩展至其他垂直领域。