【论文笔记】命名实体识别(NER)论文整理

Bidirectional LSTM-CRF Models for Sequence Tagging

论文链接：https://arxiv.org/abs/1508.01991

这篇文章比较了NLP几个经典任务：词性标注，命名实体识别上的模型，包括CRF，LSTM，Bi-LSTM，LSTM-CRF，Bi-LSTM-CRF，Bi-LSTM-CRF在这几个任务上取得了最好的准确度和健壮性，对词语特征工程的依赖最小。

                                          

Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme

论文链接：Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme

这篇文章提出了一种新的处理实体识别和关系抽取的方法，传统的NER和RC任务是分离的，这样就忽视了实体和关系之间的关联，并且实体抽取标注中的错误会牵连到关系抽取。作者采用新的标注方法将实体和关系信息融合到一个标签里：

接着采用Bi-LSTM作为编码器，LSTM作为解码器，采用端到端模型对实体识别关系抽取任务进行训练。

                             

Neural Architectures for Named Entity Recognition

论文链接：https://arxiv.org/pdf/1603.01360.pdf

这篇论文提出了两种应用于命名实体识别的模型，利用深度学习端到端方法减缓传统方法带来的特征工程的压力

1.LSTM-CRF  将词向量输入到LSTM将文本编码，使用CRF利用全局信息对每个token的label做整体预测。

代码链接：https://github.com/glample/tagger

2.Transition-Based Chunking Model

代码链接：https://github.com/clab/stack-lstm-ner