1.一种面向标签稀缺或分布不平衡场景的特定实体识别方法，其特征在于，包括以下步骤：S1、利用已标记的数据，以最小化去混淆的边际损失函数为目标，训练模型；S2、使用训练好的模型对未标记的数据进行预测，根据模型预测的类别置信度为每一条样本分配一个伪标签；S3、根据伪标签分布感知的自适应重采样策略，基于步骤S2得到的类别置信度，以上一轮自训练新加入的伪标注数据的标签分布分配权重，为每一条伪标注样本计算加权置信度得分，再利用平滑阈值函数以及伯努利采样最终确定样本是否被选取；S4、将采样出来的伪标注样本的伪标签作为其真实标签，将这部分数据从未标记数据集中删除，并与原始标记数据中的训练集合并，作为下一次迭代的训练集；S5、重复步骤S1～S4多次，直至模型收敛；S6、将待识别文本输入训练好的模型中进行预测。
2.根据权利要求1所述的面向标签稀缺或分布不平衡场景的特定实体识别方法，其特征在于，模型以Bert+BiLSTM+CRF模型作为骨干网络；当文本序列输入到网络中时，首先使用Bert预训练模型对文本进行预编码，获取每个字符的词向量；再采用BiLSTM网络进一步对向量进行下游编码，建模上下文信息；最后CRF作为解码器，将编码结果解码，由此得到实体标签序列。
3.根据权利要求1所述的面向标签稀缺或分布不平衡场景的特定实体识别方法，其特征在于，步骤S1中的去混淆的边际损失函数 由条件随机场损失 标签分布感知的边际损失 类抑制的混淆损失 三部分组成，公式如下：其中，λ 1 和λ 2 是超参数，表示不同损失的权重；条件随机场损失函数 是Bert+BiLSTM+CRF模型的原始损失函数；标签分布感知的边际损失函数 如下：其中 N j 表示第j类实体的数目，H是一个超参数，z j 代表模型将单词s判别为第j类实体的输出分数；类抑制的混淆损失函数 如下：其中ξ是一个分数阈值参数，σ(·)表示Sigmoid函数。
4.根据权利要求1所述的面向标签稀缺或分布不平衡场景的特定实体识别方法，其特征在于，步骤S3的具体选择方法为：S301、根据新加入的伪标注数据中的实体标签数量分布，将实体按数量降序排序，N 1 ≥N 2 ≥…≥N l ≥…≥N L ，赋予实体s权重μ s ，计算伪标注文本S i 加权置信度得分C i ：l为实体的索引，δ、γ、ρ为超参数；S302、设计平滑阈值函数计算文本S i 被选中的概率为：C min 是一个得分阈值，α、β是超参数，α>0，β≥1；S303、对候选者进行伯努利采样，伯努利分布的采样概率p利用实体权重加权，其公式为：
5.根据权利要求1所述的面向标签稀缺或分布不平衡场景的特定实体识别方法，其特征在于，步骤S5中，在CRF层中采用维特比算法进行译码，选择分数最高的实体标签序列作为识别结果，后处理输出结构化识别结果。
