中文NLP笔记：14. 中文命名实体提取

1. NER 是什么

  指的是识别语料中人名、地名、组织机构名等命名实体

  一般包括三大类（实体类、时间类和数字类）和七小类（人名、地名、机构名、时间、日期、货币和百分比）

  是信息抽取、信息检索、机器翻译、问答系统等很多nlp任务必不可少的部分。

2. 常见方法

  1. 基于规则和词典

  采用语言学专家手工构造规则模板，选用特征包括统计信息、标点符号、关键字、指示词和方向词、位置词（如尾字）、中心词等方法，以模式和字符串相匹配为主要手段

  优点：性能要优于基于统计的方法

  缺点：编制过程耗时，特别容易产生错误，系统可移植性不好

  2. 基于统计

  主要包括隐马尔可夫模型 、最大熵、支持向量机、条件随机场等

    最大熵，具有较好的通用性，主要缺点是训练时间长复杂性高

    条件随机场，有特征灵活、全局最优的标注框架，缺点是收敛速度慢、训练时间长

    最大熵和支持向量机比HMM的正确率高一些，HMM的速度要快一些

  3. 二者混合

  借助规则知识提前进行过滤修剪处，同时使用基于统计的方法

3. 一般流程

  1. 对语料进行分词

  2. 对分词结果进行领域标签标注

  3. 对标注的分词进行抽取

  4. 将抽取的分词组成需要的领域的命名实体

学习资料：

《中文自然语言处理入门实战》