命名实体识别概念
命名实体识别(Named Entity Recognition,简称NER) , 是指识别文本中具有特定意义的词(实体),主要包括人名、地名、机构名、专有名词等等,并把我们需要识别的词在文本序列中标注出来。
例如有一段文本:李明在天津市空港经济区的税务局工作我们要在上面文本中识别一些区域和地点,那么我们需要识别出来内容有:
李明(人名)、天津市(地点)、 空港经济区(地点)、税务局(组织)识别上述例子我们使用了以下几个标签:
\"B-ORG\":组织或公司(organization)
\"I-ORG\":组织或公司
\"B-PER\":人名(person)
\"I-PER\":人名.
\"O\":其他非实体(other)
\"B-LOC\":地名(location)
\"I-LOC\":地名
命名实体识别标注
在序列标注中,我们想对一个序列的每一个元素(token)标注一个标签。一般来说,一个序列指的是一个句子实体识别,而一个元素(token)指的是句子中的一个词语或者一个字。比如信息提取问题可以认为是一个序列标注问题,如提取出会议时间、地点等。
标签类型的定义一般如下:
定义 全称 备注
B Begin 实体片段的开始
I Intermediate 实体片段的中间
E End 实体片段的结束
S Single 单个字的实体
O Other/Outside 其他不属于任何实体的字符(包括标点等)
BIO标注模式
将每个元素标注为“B-X”、“I-X”或者“O”。其中,“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头,“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置,“O”表示不属于任何类型。
命名实体识别中每个token对应的标签集合如下:
LabelSet = {O, B-PER, I-PER, B-LOC, I-LOC, B-ORG, I-ORG}
BIOES标注模式
BIOES标注模式就是在BIO的基础上增加了单字符实体和字符实体的结束标识, 即
LabelSet = {O, B-PER, I-PER, E-PER, S-PER, B-LOC, I-LOC, E-LOC, S-LOC, B-ORG, I-ORG, E-ORG, S-ORG}
实体识别标签
NER的识别靠的是标签,在长期使用过程中,有一些大家使用比较频繁的标签,下面给出大家一些参考:
Few-NERD,一个大规模的人工标注的用于few-shot NER任务的数据集。该数据集包含8种粗粒度和66种细粒度实体类型,每个实体标签均为粗粒度+细粒度的层级结构。
FEW-NERD: A Few-shot Named Entity Recognition Dataset
https://arxiv.org/abs/2105.07464
命名实体识别数据集
1、CLUENER2020:
2、MSRA:
3、人民网(04年):
4、微博命名实体识别数据集:
5、BosonNLP NER数据:(2000条)
6、影视-音乐-书籍实体标注数据:
7、中文医学文本命名实体识别 2020CCKS:
8、电子简历实体识别数据集:
9 、医渡云实体识别数据集:
10、 简历实体数据集:
11、CoNLL-2003:
12、Few-NERD 细粒度数据集:……
命名实体识别模型
命名实体识别工具
https://nlp.stanford.edu/software/CRF-NER.shtml
python实现的Github地址:https://github.com/Lynten/stanford-corenlp
官方地址:http://mallet.cs.umass.edu/
Github地址:https://github.com/hankcs/pyhanlp
官网:http://hanlp.linrunsoft.com/
Github地址:https://github.com/nltk/nltk
官网:http://www.nltk.org/
Gihub地址:https://github.com/explosion/spaCy
官网:https://spcay.io/
文档地址:https://sklearn-crfsuite.readthedocs.io/en/latest/?badge=latest
https://taku910.github.io/crfpp/
参考资料
流水的NLP铁打的NER:命名实体识别实践与探索 – 知乎
中文NER的正确打开方式: 词汇增强方法总结 (从Lattice LSTM到FLAT)
自然语言处理基础技术之命名实体识别简介
命名实体识别(Name Entity Recognition)综述%E5%91%BD%E5%90%8D%E5%AE%9E%E4%BD%93%E8%AF%86%E5%88%AB/
欢迎大家微信讨论技术问题,扫码回复NLP可以加入技术交流群
关于ChallengeHub
由算法与数据分析小伙伴们一起创建,获得数十次比赛top奖项,成员来自国内大厂、中科院研究所等,可帮忙内推~。每日给小伙伴带来机器学习、NLP、数据分析知识分享以及竞赛干货实体识别,职场经验。
1、本站资源针对会员完全免费,站点中所有资源大部分为投稿作者付费教程,切勿轻易添加教程上除本站信息外的任何联系方式,谨防被割,如有疑问请随时联系客服。
2、本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。