命名實體識別簡介（一）

（二）研究進展

（三）研究熱點

總結命名實體識別（named entity recognition，ner）可以自動的從文字資料中識別出特定型別的命名實體。即在文字中標識命名實體並劃分到相應的實體型別中,通常實體型別包括人名、地名、組織機構名、日期等。

舉例說明,「當地時間 14 日下午,敘利亞一架軍用***在阿勒坡西部鄉村被一枚惡意飛彈擊中。」這句話中包含的實體有:日期實體「14 日下午」、組織機構實體「敘利亞」、地名實體「阿勒坡西部鄉村」、裝備實體「軍用***」和「飛彈」。

在這裡記錄兩種比較常用的ner的標籤體系：bio和bioes。

1.bio：

b: begin，實體名稱的開頭字元。弱實體名稱為單字，也是用這個符號。

i:inside，實體名稱的中間或末尾字元。

o:outside，不是實體名稱的字元。

2.bioes：

e:end，實體名稱的結尾字元。

s:single,單字成乙個命名實體。

隨著深度學習不斷發展，深度學習模型也開始廣泛應用於命名實體識別之中。

句子比較長的時候，選用bert模型；句子較短的時候，選擇lstm，bilstm，cnn模型。

在句子不怎麼長的情況下，用bilstm+crf模型，總可以優化出乙個不錯的結果。句子較長的情況下，用bert+crf模型，也同樣可以優化出乙個不錯的結果。

近三年命名實體識別的研究熱點主要在三個方面：

匱乏資源命名實體識別

細粒度命名實體識別

巢狀命名實體識別

命名實體識別鏈結

命名實體識別是自然語言處理應用中的重要步驟,它不僅檢測出實體邊界,還檢測出命名實體的型別,是文字意義理解的基礎。本篇部落格主要對命名實體識別的研究進展和熱點進行了簡單介紹。後續將對各個部分進行更為詳細的介紹。