自然语言处理——信息抽取——命名实体识别

一、任务定义

命名实体识别(NER)是指识别文本中具有特定意义的实体。比如以下句子

乔布斯离开了苹果

NER系统应该能够识别出【乔布斯】和【苹果】两个实体，并标记【乔布斯】为【人】， 【苹果】为【公司】

二、数据集

对于中文命名实体识别来说，一般数据集有WeiBo、MRSA、OntoNotes和Resume。

三、评测方法

命名实体识别一般分为两种评测方法，一种是严格匹配，一种是松弛匹配。比较公认的是第一种。即：边界完全匹配，而且实体类型也要匹配。

• TP: 识别的实体和真实实体完全匹配
• FP: 识别的实体和真实实体不完全匹配
• FN: 真实实体未被识别
  
  
  如果采用BIOSE标签形式，这里有一个好的评测脚本。 调用其中的return_report函数，其参数的是一个txt文件名，文件中的每一行为"字， 真实标签，预测标签"。返回值包含了总的与分类别的Precision,Recall与F-score

四、相关工作

序号	会议	论文	阅读笔记	源码复现	创新点
[1]		A Survey on Deep Learning for Named Entity Recognition	戳这里	无	无
[2]	ACL 2018	A Study of the Importance of External Knowledge in the Named Entity Recognition Task	戳这里	无	无
[3]	CCKS	Incorporating Dictionaries into Deep Neural Networks for the Chinese Clinical Named Entity Recognition Preprint	戳这里	无	介绍了一些输入特征构造方法
[4]	ACL 2018	Chinese NER Using Lattice LSTM	戳这里	戳这里	提出了Lattice机制，更好利用词级别信息
[5]	EMNLP-IJCNLP 2019	Gazetteer-Enhanced Attentive Neural Networks for Named Entity Recognition	戳这里	无	提出了Gazetteer NetWork结合了外部词典
[6]	ACL 2019	A Neural Multi-digraph Model for Chinese NER with Gazetteers	戳这里	戳这里	结合了图卷积结合字典，且减轻了字典引入的噪声问题
[7]		Simplify the Usage of Lexicon in Chinese NER Minlong	戳这里	戳这里	通过分析[4]的优点提出一种结合字典的新颖的编码方法，提高了速度