指标一词通常作为描述数量或状况的概念,是对特定对象或其某一方面的水平状况定性或定量的反映,便于相关人员了解、监控特定对象的水准状况。传统获取指标的方式主要是问卷调查或者数据统计,这些方式往往消耗大量人力物力,成本很高。大数据时代,互联网上每天都会发布不同对象的指标评测结果报道,从互联网文本中可以抽取出特定的指标信息,这为研究者了解不同对象的水准状况提供了新的契机。本文聚焦于指标抽取技术的研究,构造了面向中文开源文本的指标抽取标注数据集,提出了基于多任务深度学习的指标抽取模型,并将迁移学习技术应用到实际的指标抽取问题中,主要研究内容及贡献如下:1)指标抽取问题定义及面向中文开源文本的指标抽取标注数据集的构建。由于指标抽取的相关研究较为薄弱,目前的研究对不同情境下的指标定义没有公认的标准,且缺乏公开可用的指标抽取数据集,为了便于研究开展和进行实验,本文以经济指标和军事指标此类宏观指标为例,对指标抽取任务进行形式化定义并构建了一个构建了跨领域的,面向中文开源文本的指标抽取标注数据集。2)基于交织式多任务深度学习的指标抽取模型的提出。本文将指标抽取分解成指标检测与要素抽取两个子任务,并分别建模为文本分类与序列标记任务,利用多任务深度学习解决指标抽取问题。具体而言,我们利用多任务学习让不同任务在学习过程中共享知识,并结合深度神经网络实现任务之间低层特征的共享,之后基于多任务学习到的特征,分别进行每个单独的任务。实验表明,本文提出的模型可以有效提升结果精度。3)基于迁移学习的指标抽取技术研究。我们利用迁移学习来解决含有指标的数据获取困难,指标抽取标注数据集稀缺的问题。在某个领域模型训练任务中获得的知识可以应用于不同领域的同一个问题,我们利用迁移学习的这一特点,通过预训练+微调的方式,使用大量有标注的其他领域的语料训练模型,再使用预训练的模型在特定领域任务上进行微调,减少对训练样本数量的需求。综上所述,本文研究面向中文开源文本指标抽取技术,提出了基于多任务深度学习的指标抽取模型,并利用迁移学习解决实际指标抽取中存在的问题,对于指标抽取技术的发展同时具有理论意义和实际意义。