小黑信息抽取综述阅读1--------命名实体识别

1.数据集和评测指标

(1)常用的中文 NER 数据集包括:OntoNotes4.0 ，MSRA 和 Weibo 等，前两个是由新闻文本中抽取得到，后一个是由社交媒体中抽取得到。常用的英文数据集有 CoNLL2003 ，ACE 2004 和 OntoNotes 5.0 等。想了解更多数据集，建议参见 https://paperswithcode.com/task/named-entity-recognition-ner。
(2)在数据标注上，主要有 BIO（Beginning、Inside、Outside）和 BIOES（Beginning、Inside、End、Outside、Single）两种标注体系。此外，还有针对复杂实体抽取建立的改进版本的标注方法。
在模型评测上，由于命名实体的识别包括实体边界和类型的识别，因此只有一个实体的边界和类型都被正确识别时，才能被认为实体被正确识别。根据对实体边界预测的精准度的要求不同可以分为 Exact Match 或 Relaxed Match，并且使用准确率，召回率以及 F1 值来计算得分。目前，基于 Exact Match 的 micro 的准确率，召回率以及 F1 值最为常用。

2.面临挑战

目前，命名实体识别在行业知识图谱构建方面主要面临如下挑战：

（1）垂直领域标注语料少，导致模型效果不好

垂直领域细分类别很多，在进入一个新的垂直领域时，往往可用的监督数据是很有限的。在此基础上所训练得到的模型的识别效果是不尽人意的。

（2）垂直领域先验知识未能有效利用

在有监督数据足够的前提下，行业内其他类型的先验知识的量相对来讲是更大的。但是这些行业数据却没有很合理的应用到 NER 任务中来更有效的提升模型性能。

（3）垂直领域复杂实体难以识别

一般研究和落地中遇到的实体识别大多为连续实体的识别，但复杂实体识别在实际应用中的占比越来越高，特别是在医疗领域的实体抽取中。

3.主流模型

（1）词汇增强

Lattice-LSTM：融入字符级别特征信息，整合入LSTM

LR-CNN： Rethink 机制来解决 Lattice-LSTM 模型不能并行化以及句子中词汇之间的混淆的问题

FLAT :在融合字符与词汇的 Lattice 结构上，引入 Transformer 来进行建模。FLAT 根据词汇之间的头尾，头头，尾头，尾尾字符距离定义了四种距离，并且对这四种距离进行向量编码。

（2）实体类型信息增强

BERT-MRC:

将所要预测的实体类型的描述信息作为先验知识输入到模型中，并且将 NER 问题建模为阅读理解问题（MRC），最终通过 BERT 来进行建模。

TriggerNER:

同样是将实体的类型信息作为模型的输入的一部分，区别于 BERT-MRC，其实体类型信息来源于句子中的一部分词汇，称为 Trigger words。

NCRF-AE :

将 label 信息建模为隐变量，进而利用 autoencoder 的模型来同时对有标签和无标签数据进行建模训练。

（3）复杂实体

a.为解决含有不连续实体的 overlapping 实体识别问题，引入了 BIO 标注体系的变体，即在 BIO 的基础上，增加了 BD，BI，BH，IH 四个指标，分别代表Beginning of Discontinuous body, Inside of Discontinuous body, Beginning of Head 和 Inside of Head。
b. 基于 transition-based 方法，引入更加丰富的 action 类别来解决不连续实体 overlapping 识别的问题。