NER常见的解决方案汇总(deep learning)

任务介绍

NER （Named Entity Recognition）即命名实体识别。顾名思义就是识别文本当中的实体信息。举个例子，

输入：张三现在在武汉市江夏区金融港

输出：B-PER，E-PER，O, O，O,B-CITY，I-CITY，E-CITY，B-DISTRICT，I-DISTRICT，E-DISTRICT，B-LOCATION,I-LOCATION,-E-LOCATION

其中，“张三”以PER，“武汉市”以CITY，“江夏区”以DISTRICT，“金融港”以LOCATION为实体类别分别挑了出来。

NER的过程，就是预测出其序列标注的过程。

备注：
BIOES标注方式中分别代表什么意思：
B，即Begin，表示开始
I，即Intermediate，表示中间
E，即End，表示结尾
S，即Single，表示单个字符
O，即Other，表示其他，用于标记无关字符

相关论文

目前的解决方案及对应的paper如下，其中bilstm-crf和bert-crf成为ner领域常用的baseline。

BiLSTM-CRF

paper:Neural Architectures for Named Entity Recognition

IDCNN-CRF

paper:Fast and Accurate Entity Recognition with Iterated Dilated Convolutions

BERT-CRF

ner-mrc

paper:A Unified MRC Framework for Named Entity Recognition

BERT-CASCADE-CRF

paper:A Novel Cascade Binary Tagging Framework for Relational Triple Extraction

FLAT

paper:FLAT: Chinese NER Using Flat-Lattice Transformer

global-pointer

paper:Global Pointer: Novel Efficient Span-based Approach for Named Entity Recognition

efficient-global-pointer

blog:Efficient GlobalPointer：少点参数，多点效果

bert-biaffine

paper:Named Entity Recognition as Dependency Parsing

评测结果 to be continued