融入词汇信息的基于字的命名实体识别

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 619平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

原创最新推荐文章于 2026-07-08 12:04:39 发布 619 阅读 AI 写同款· GEO 优化 ›

NER中的词汇增强方法(LatticeLSTM、CGN、FLAT、Simple-Lexicon) 文章目录NER中的词汇增强方法Dynamic ArchitectureLatticeLSTMMGLatticeLSTMLR-CNNCGNFLATAdaptive EmbeddingSimple-Lexicon NER中的词汇增强方法虽然基于字符的NER系统通常好于基于词汇（经过分词）的方法，但基于字符的NER没有利用词汇信息，而词汇边界对于实体边界通常起着至关重要的作用。如何在基于字符的NER系统中引入词汇信息，是近年来NER的一个研究重点。这种在NER任务中引入词汇的方法又被称为词汇增强。从另一个角度阅读详情

论文1：Chinese NER Using Lattice LSTM

论文2：An Encoding Strategy Based Word-Character LSTM for Chinese NER

收录于

命名实体识别

当前文章被收录于：

命名实体识别

5 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#命名实体识别 #Lattice LSTM

基于BERT Adapter的词汇增强型中文序列标注模型本文作者提出Lexicon Enhanced BERT (LEBERT) ，该模型在BERT底部的层中加入一个Lexicon Adapter层来融合文本的词汇特征。阅读详情

相关推荐

命名实体识别在行业应用中的优化

非常感谢您的委托,我将以专业、深入、实用的技术博客文章来回应您的要求。本文将全面探讨命名实体识别在行业应用中的优化,为读者提供深度见解和实用价值。让我们开始吧! 1. 背景介绍 命名实体识别(Named Entity Recognition, NER)是自然语言处理领域的一项重要技术,它旨在从非结构化文本中识别和提取具有特定语义的命名实

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。 999

融入字典的医学命名实体识别模型

Incorporating dictionaries into deep neural networks for the Chinese clinical named entity recognition 总述作者提出了融入字典信息的深度学习模型，用于解决中文医学命名实体识别问题。融合了字典的深度模型主要的优点是，可以克服传统深度模型难以识别出现频率少，或者从未出现的实体。具体得，作者基于B...

zycxnanwang的博客 2003

Window系统下搭建GIT本地服务器

这是一篇在window下搭建git本地服务器的教程，带你一步步搭建出本地的git服务器。

qwer971211的博客 2万+

融入词汇信息的基于字的命名实体识别方法

融入词汇信息的基于字的命名实体识别方法基于词的中文命名实体识别方法，前期存在不可避免的分词错误，会导致后期命名实体识别过程中实体边界识别错误，进而导致方法的性能指标下降。而基于字的命名实体识别方法，虽然不存在分词错误，但是没有考虑词的信息。经验上，相当一部分实体边界是词的边界，说明词可以提供丰富的边界信息。对于句子南京市长江大桥若无词信息，可以会提取出南京市长、江大桥这种错误信息。基于...

zycxnanwang的博客 2046

DRV8870电机驱动芯片原理与嵌入式多平台驱动开发

H桥电机驱动芯片是直流电机控制的核心硬件模块，其通过双MOSFET拓扑实现方向与速度的精确调控。工作原理基于电荷泵自举驱动、集成电流检测及多重硬件保护机制，技术价值体现在高集成度、宽压适配（4.5V–45V）与强鲁棒性。典型应用场景涵盖智能机器人执行器、工业自动化设备及电池供电移动终端。本文围绕DRV8870这一主流驱动芯片，深入解析其PH/EN与Dual PWM双控制模式、nFAULT故障响应机制，并结合Arduino/ESP32/STM32三大平台，提供可复用的跨MCU驱动库设计范式与FreeRTOS实

weixin_32251525的博客 657

从Android到鸿蒙：UI框架迁移的实战指南与最佳实践

本文为Android开发者提供了将应用UI框架迁移至鸿蒙系统的实战指南。文章深入对比了Android命令式编程与鸿蒙ArkUI声明式编程的核心差异，详细讲解了从环境配置、布局迁移（如RecyclerView转List）、逻辑处理到多设备适配与性能优化的全流程最佳实践，帮助开发者高效完成迁移工作。

weixin_29208077的博客 434

论文阅读笔记-FGN: Fusion Glyph Network for Chinese Named Entity Recognition

论文地址：paper:https://arxiv.org/ftp/arxiv/papers/2001/2001.05272.pdf github地址：github:https://github.com/AidenHuen/FGN-NER 主要创新点: 1.提出了一种CGS-CNN的新型CNN结构，以获取字形信息和相邻图形之间的交互信息 2.我们提供了一种具有滑动窗口和注意力机制的方法来融合每个字符的bert表示和字形表示这种方法可以捕获上下文和字形之间现在的交互知识，在四个误码率数据集上进行的实

m0_53292725的博客 2966

自动驾驶仿真 (四)—— 基于PreScan与Simulink的AEB系统多场景验证

本文详细介绍了基于PreScan与Simulink的AEB系统多场景验证方法，涵盖标准场景搭建、复杂工况扩展及控制策略优化。通过仿真技术，显著降低测试成本并提升场景覆盖率，有效解决实车测试中的痛点问题。特别适用于自动驾驶领域的AEB系统开发与验证。

weixin_28273593的博客 249

bilstm+crf中文分词_最新中文NER模型介绍（二）

深度学习时代中文NER出现了LSTM、LSTM+CRF、BERT、BERT+CRF等方法，前期主要单纯基于字信息或词信息（词信息需要更多的训练文本）。基于字的方法很少考虑词，但词又包含了大量的信息，如何有效利用词信息是近两年中文NER的主要工作。近期融合词信息工作主要可以分为结构融合和数据融合两类。结构融合通过调整模型结构融合词信息，数据融合主要通过多任务学习实现。结构融合>> Chi...

weixin_39850697的博客 674

Ubuntu20.04安装Torque-6.1.2单机版(踩坑篇)

说明：PBS排队系统原先是在Centos7安装使用很顺利，但是有客户需求在Ubuntu20.04上使用，着手在Ubuntu20.04安装上安装的时候发现很多报错，并不能顺利安装，网上查找到的教程，有的说是让放弃转slurm，有的是换源安装，但是安装好的版本很低，有许多bug，不是很好用。经过自己慢慢摸索之后，改了部分配置以及源码之后，能够顺利安装，再次记录一下踩坑心得，与大家一起分享学习。如有问题，欢迎大家来撩。...............

华青水上的博客 8087

工业模型导入Unity实战：从ProE/SolidWorks到实时渲染的完整流程

在工业仿真、数字孪生和VR/AR应用开发中，将高精度工程模型导入实时渲染引擎是一个常见的技术挑战。其核心原理在于参数化工程软件与实时渲染引擎的数据结构差异：前者基于精确的B-rep边界表示和特征树，后者依赖轻量化的三角网格与材质贴图。这一转换的技术价值在于实现工程数据的可视化与交互化，为产品展示、虚拟培训和工厂仿真等应用场景提供基础。通过数据翻译与优化流程，特别是利用3ds Max或Blender作为中转站进行网格优化与UV展开，能够有效解决模型破面、材质丢失和性能问题。本文聚焦于ProE（Creo）和So

weixin_33050117的博客 344

标注数据少的方法 —— 词汇增强

参考链接：【关于中文领域 NER】那些的你不知道的事打开你的脑洞：NER如何进行数据增强？标注样本少怎么办？「文本增强+半监督学习」总结（从PseudoLabel到UDA/FixMatch） 1. 中文NER的难点（和英文的区别）和英文NER每个单词都使用空格分隔不同，中文 NER 是基于字的表示方法，所以一般会涉及到中文分词和中文NER技术，导致中文 NER 技术容易受到中文分词的误差的影响。那么常用的方法有哪些呢？词汇增强：在早期的中文NER技术中，基于字符的 NER 方法往往具有

ywm_up 773

深度强化学习 | 基于SAC算法的动态避障(ROS C++仿真)

本文介绍了基于SAC（软性演员-评论家）算法的机器人运动规划方法，通过PyTorch框架实现了端到端训练，并部署到Python和ROS C++中。实验结果显示，基于SAC算法的智能体在动态避障任务中表现良好，能实现从起点到终点的无碰撞导航。

FRIGIDWINTER的博客 8214

NER(命名实体识别)之LatticeLSTM+CRF详解

paper: https://arxiv.org/pdf/1805.02023.pdf code:https://github.com/jiesutd/LatticeLSTM 前言 NER（命名实体识别）是信息抽取的一个基础任务，常用的做法是character-based和word-based，其中基于字符的方法是每个字符会输出一个实体标签，它的缺点是不能利用字与字之间的信息；而基于词的方法是每个词会输出一个实体标签，会受到分词的影响，而且更容易出现OOV的情况。而...

wshzd的博客 1570

Universal Robot——在Gazebo中模拟UR5机器人

今天的目标是在Gazebo安装我们的ur5机器人。Gazebo是一个流行的模拟工具，它不仅可以让你像在Rviz中一样可视化你的机器人，而且还内置了一个物理引擎。这样你就可以在更真实的环境中测试你的机器人应用程序。我们将查看我们需要的属性添加对我们的机器人——我们的order的描述，以模拟它以及如何在Gazebo中生成我们的机器人。

如果想成为中心，那么就到中心去吧。 1969

最新的sdio 4.0 spec 协议标准带书签高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准带书签高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

命名实体识别模型FLAT介绍

在「Inc.」前的单词更可能的实体类型是「ORG」，在「in」后的单词更可能为时间或地点。ACL2020中的 Simplify the Usage of Lexicon in Chinese NER[1] 就属于这一范式，仅仅在embedding层融合词汇信息，对于词汇信息的引入更加简单有效，采取静态加权的方法可以提前离线计算。设计相应结构以融入词汇信息 Lattice LSTM 开篇之作，设计兼容的LSTM将词汇信息引入中文NER任务推断效率低，无法捕捉长距离依赖，存在一定的信息损失问题。

weixin_40566713的博客 1385

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候提示IE WebControls 不通过，这个工具可以欺骗u8的检查。跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

基于中文哪吒NEZHA的FLAT的命名实体识别实现与探讨（二）

接下来解释如何利用匹配到的词汇与模型进行融合的代码，首先利用匹配的词汇转

chenmingwei000的博客 909

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

动态元嵌入：融合字词信息，破解中文命名实体识别难题

命名实体识别是自然语言处理中信息抽取的基础任务，旨在从文本中识别并分类如人名、地名等特定意义的实体。其核心原理在于为序列中的每个单元（如词或字）学习一个有效的向量表示，以捕捉其语义和上下文信息。传统方法在中文场景下面临挑战：基于词的方法受制于分词错误，而基于字的方法难以捕捉词汇级语义。动态元嵌入技术通过引入注意力机制，为每个字符动态地、有选择性地融合相关词汇的语义信息，生成一个上下文感知的增强向量表示。这种动态融合机制，有效解决了中文因缺乏显式词边界而导致的实体边界模糊和一词多义问题，显著提升了模型性能。其

weixin_30835649的博客 653

LEBERT：基于词汇增强的中文NER模型

每天给你送来NLP技术干货！作者：杨坚新来自：YeungNLP01任务概述命名实体识别（简称NER）是NLP中的经典任务，即给定一个输入文本，让模型识别出文本中的实体信息。在中文NER任务中，可以分为Character-based (字符粒度) 和 Word-based (词语粒度) 两种方法。Word-based (词语粒度)：基于词语粒度的中文NER任务，首先会对...

zenRRan的博客 933

中文NER-基于网格LSTM的中文命名实体识别Chinese NER Using Lattice LSTM

基于网格LSTM的中文命名实体识别细节一:融合字符与词级别特征LatticeLSTM细节二：从LSTM到LatticeLSTMBasicLSTMLatticeLSTM字粒度输入词粒度输入字词融入实验本文idea提出原因中文命名实体识别的实体边界划分特别难。基于字符级别：无分词错误，缺少词的边界信息，利用不了已有词典基于词级别：有分词错误，因为只能有一种分词深度学习一定程度上解决了对词典的依赖如何利用现有词典，引入所有可能词的边界信息? 研究成果：＞动态引入所有可能的词信息＞克服了基于词模型

anqi3776的博客 942

中文命名实体识别数据集_词典信息在中文命名实体识别中的应用

Attention！今天带来小编同(大)学(佬)的一篇总结性文章，大家快来一起享受一场NER的饕餮盛宴吧！！！(公众号无法加入外链，所以引用文章只能直接写出链接了つ﹏⊂知乎:薛梦鸽原文链接:https://zhuanlan.zhihu.com/p/136277575如需转载，请与作者本人联络哦！！命名实体识别(NER)可以被当作序列标注问题来解决，其中实体边界和类别标签被联合预测。不同...

weixin_39948277的博客 1232

中文NER的正确打开方式: 词汇增强方法总结 (从Lattice LSTM到FLAT)

点击上方，选择星标或置顶，每天给你送干货！阅读大概需要21分钟跟随小博主，每天进步一丢丢来源：知乎作者：JayLou娄杰编辑：深度学习自然语言处理链接：见文末阅读原文本文仅做学术...

zenRRan的博客 1913

中从底向上匹配_词典信息在中文命名实体识别中的应用

命名实体识别(NER)可以被当作序列标注问题来解决，其中实体边界和类别标签被联合预测。不同于英文命名实体识别，中文没有明显的单词边界，字符序列下不同分词会有不同含义，导致命名实体识别任务更加困难。一种直观的方法是先分词再进行词级别的序列标注，但这种方法会带来分词的错误传递问题。另一种是直接基于字符级的序列标注，但这种方法忽略了词级别的信息。第三种折衷的方法是基于字符级别进行序列标注，把词信息融合到...

weixin_28685483的博客 413

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、Outsi

qq_37418807的博客 861

【论文解读系列】NER方向：SoftLexicon(ACL 2020)

SoftLexicon是一种简单而有效的**将词汇信息纳入字符表示**的方法。这种方法避免设计复杂的序列建模结构，并且对于**任何NER模型**，它**只需要细微地调整字符表示层**来引入词典信息。在4个中文NER基准数据集上的实验结果表明，该方法的推理速度比现有SOTA方法**快6.15倍**，性能更好

ljp1919的专栏 3771

上一篇：论文《Fast and Accurate Entity Recognition with Iterated Dilated Convolutions》

下一篇： ACL2019——命名实体识别论文

命名实体识别在行业应用中的优化

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。

03-23

999