在NLP中,命名实体识别(Named Entity Recognization,NER)是一个非常重要的任务,比如信息抽取中,NER是第一步,首先识别出文本中的命名实体。在问答系统中,尤其是任务导向的问答或KBQA的第一步是就是命名实体识别,识别出实体在做下一步的槽填充。
命名实体是什么?
NER主流的算法是什么?
NER的metric是怎么定义的?
NER任务中的语料有哪些?
NER任务语料
NER的baseline模型:bilstm-cr算法原理是什么?
序列标注之Bi-LSTM-CRF
- 当使用基于Bert的bilstm-crf模型时,存在文本序列与标签序列不对应的问题,TODO.
命名实体中的metrics问题:
http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/
基于BERT的实体识别
参考github:
- CLUENER 细粒度命名实体识别
- Chinese NER using Bert 基于pytorch介绍了bert+crf,bert+softmax,bert+span三种模型,数据集是bmes和cluener2020的数据集
NER的metrics
实体识别模型的效果是如何评估的,precision,recall是如何定义的?
http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/