A Survey on Deep Learning for Named Entity Recognition 札记

1.NER 进化

• 早期 ner :需要很多的human effort 来指定规则和特征

（1）什么是 NER

有两种主张：

serving as a name for something or someone

proper names and natural kind terms like biological species
and substances.

不论如何，现在主要把NER 划分为general NE ,domain-specific NE

按照粒度划分NER 任务

• coarse-grained NER:仅有少数类别，并且一个NE 只有一个entity type
• fine-grained NER：有很多类别，一个NE 可能有不同的 entity types

(2) DL 中的 NER

• 需要最少的feature engineering,原文中 引用17-21已经提到了一些 SOTA 的 DL 模型，原文中引用 22-26 提到了一些关于NER 的 survey

论文中系统地 把DL NER 划分为三个部分：

• distributed representations for input
• context encoder (for capturing contextual dependencies for tag decoder)

• tag decoder (for predicting labels of words in the given sequence)

(3) NER 数据集和工具

见原文

（4） NER 评估

boundary和type 都是对才为分类正确

1. 三个类别：

• True Positive (TP): entities that are recognized by
  NER and match ground truth.

• False Positive (FP): entities that are recognized byNER but do not match ground truth.

• False Negative (FN): entities annotated in the ground
  truth that are not recognized by NER.
  有两个分类标准： precision recall
F_beta用于综合两者

                precision = TP / TP+FP
                recall = TP / TP+FN
  

2.macro-averaged F-score: 单独计算每个类取平均
micro-averaged F-score：一块算，大烩菜！！

2.NER传统方法

（1）依赖 手工构造规则

依赖于手工构造的规则，可能是基于