新材料产品种类多样、属性复杂,特别是生物质新材料领域,存在产品转化率差异大、成本高和附加值低等特点,无法实现各类资源的综合利用。检验检测服务作为新材料质量把控的关键环节,由于用户在检索过程中定义模糊,导致检索内容与服务目标匹配程度较低;同时检测机构服务能力不同,对送检样品的特征也提出了严格的要求。自然语言处理作为人工智能领域的重要分支,基于文本描述的信息识别技术可以解决这一问题。在新材料检验检测领域,人工构造特征需要耗费大量的时间且需要专业人员进行数据维护更新。目前,人工智能发展迅速,神经网络模型具有良好的分布存储和学习能力;深度学习可自动抓取特征,具有较强的适应性和可移植性。因此,为了整合新材料检验检测领域数据,本研究利用网络爬虫技术爬取各大检测网站新材料领域新闻文本,并进行数据库构建,以半监督标注方法对部分特定实体进行标注,选择深度学习结合神经网络模型进行信息识别任务,提升产业高值化利用服务效率。首先,本文搭建了一种基于领域适应的深度学习神经网络模型,采用BERT预训练模型作为神经网络模型的嵌入层,字词向量的融合使模型获得充分的语义表示,并缓解了传统嵌入模型无法应对一词多义的问题。选择双向长短期记忆网络作为特征提取层,将嵌入层特征向量进行提取,前后方向的记忆网络不仅可以提取过去的语义信息,还可以对未来信息进行预测。其次,注意力机制中对编码器的隐藏状态进行加权平均得到后续的输入变量。最终,通过条件随机场将输出结果按照规则进行排序,保证输出结果符合文本语句的序列形式。在公开人民日报数据集上进行神经网络模型测试,经实验,所构建的神经网络模型准确率可达到92.30%,召回率为92.46%,综合评价指标F1值达到92.38%,已基本满足常规领域的识别要求。针对新材料检测领域数据规模小、标签长度复杂和共享边界信息等的问题,本文提出了基于参数迁移和对抗训练的BERT-ADBC模型并在新材料检测领域数据集进行信息识别实验。基于模型参数的迁移学习可以为领域模型训练提供良好的初始化效果,节省了训练所需的时间;同时BERT嵌入方式与传统嵌入方式进行比较,采用BERT嵌入方式的模型提升效果为1.34%;对抗训练的引入降低了准确率与召回率的间隔差距,减少了分词任务与识别任务中共享信息过多而造成的边界混淆问题;最终新材料检测领域信息识别效果准确率、召回率、F1值分别为84.45%、83.08%和83.76%。为更好方便用户访问,本文利用Mysql数据库系统对新材检测领域实体信息进行数据库存储,并采用前后端接口实现信息识别技术应用;设计新材料检测领域信息识别技术界面,通过功能介绍、场景应用等实现信息识别技术的可视化展示。