Atitit NER实体命名识别（Name Entity Recognition 目录 1.1. a. NER实体命名识别（Name Entity Recognition） 1 2. NER抽

本文链接：https://blog.youkuaiyun.com/attilax/article/details/90243359

本文详细介绍了NER（命名实体识别）的概念、方法和挑战，包括基于规则、统计方法（如CRF）以及常见的标注方法（如IOB、BIOES）。NER是自然语言处理中的关键任务，涉及人名、地名、组织名等实体的识别，通常需要结合分词、词典匹配等技术。此外，文章提到了一些公开数据集，如CoNLL 2003和OntoNotes，以及NER标注的常见问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Atitit NER实体命名识别（Name Entity Recognition

目录
1.1. a. NER实体命名识别（Name Entity Recognition）     1
2. NER抽取方法   3
2.1. 基于规则   3
2.2. 统计方法逐渐成为自然语言处理的主流   3
2.3. 条件随机场（CRF）模型用于命名实体识别。   3
2.4. 2.基于多特征的命名实体识别方法   7   5
2.5. 4．专家知识（词典法，人名，地名机构名   8
3. NER关联技术   9
3.1. 分词   9
3.2. 词典匹配   9
3.3. 数字和特殊字符，一般用正则的方法匹配出来   9
3.4. 先边界识别然后进行类别判定   9
3.5. 相关知识梳理（HMM, MEMM, CRF）   9
3.6. Bootstrapping算法利用有限的样本资料建立目标   9
4. NER公开数据集   10
4.1. CoNLL CoNLL 2003   10
4.2. CoNLL2003中，实体被标注为四种类型：LOC (location, 地名)ORG (organisation，组织机构名)PER （person，人名）MISC (miscellaneous，其他)   10
4.3. OntoNotes 5.0 / CoNNLL 2012 18个类别   10
4.4. 其他公开数据集，包括NLPBA2014， Enron Emails 等等   11
5. NER 标注方法有很多种，这里主要介绍3种最常见。   11
5.1. IOB 标注法   11
5.2. BIOES BIOES 是目前最通用的命名实体标注方法。   11
5.3. Makeup 是 OntoNotes 使用的标注方法，思路比较简单, XML，比如：   12
6. 问题   12

1.1.a. NER实体命名识别（Name Entity Recognition）

又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。
般来说，命名实体识别的任务就是识别出待处理文本中三大类（实体类、时间类和数字类）、七小类（人名、机构名、地名、时间、日期、货币和百分比）命名实体。
命名实体识别（Named Entity Recognition， NER）是NLP领域一个非常非常重要的方向，比如人名、地名通用性的实体识别