命名實(shí)體識(shí)別（Named Entity Recognition，NER）就是從一段自然語(yǔ)言文本中找出相關(guān)實(shí)體，并標(biāo)注出其位置以及類(lèi)型，如下圖。它是NLP領(lǐng)域中一些復(fù)雜任務(wù)（例如關(guān)系抽取，信息檢索等）的基礎(chǔ)。

NER一直是NLP領(lǐng)域中的研究熱點(diǎn)，從早期基于詞典和規(guī)則的方法，到傳統(tǒng)機(jī)器學(xué)習(xí)的方法，到近年來(lái)基于深度學(xué)習(xí)的方法，NER研究進(jìn)展的大概趨勢(shì)大致如下圖所示。

在基于機(jī)器學(xué)習(xí)的方法中，NER被當(dāng)作是序列標(biāo)注問(wèn)題。與分類(lèi)問(wèn)題相比，序列標(biāo)注問(wèn)題中當(dāng)前的預(yù)測(cè)標(biāo)簽不僅與當(dāng)前的輸入特征相關(guān)，還與之前的預(yù)測(cè)標(biāo)簽相關(guān)，即預(yù)測(cè)標(biāo)簽序列之間是有強(qiáng)相互依賴(lài)關(guān)系的。例如，使用BIO標(biāo)簽策略進(jìn)行NER時(shí)，正確的標(biāo)簽序列中標(biāo)簽O后面是不會(huì)接標(biāo)簽I的

在傳統(tǒng)機(jī)器學(xué)習(xí)中，條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）是NER目前的主流模型。它的目標(biāo)函數(shù)不僅考慮輸入的狀態(tài)特征函數(shù)，而且還包含了標(biāo)簽轉(zhuǎn)移特征函數(shù)。在訓(xùn)練時(shí)可以使用SGD學(xué)習(xí)模型參數(shù)。在已知模型時(shí)，給輸入序列求預(yù)測(cè)輸出序列即求使目標(biāo)函數(shù)最大化的最優(yōu)序列，是一個(gè)動(dòng)態(tài)規(guī)劃問(wèn)題，可以使用維特比算法進(jìn)行解碼。

在傳統(tǒng)機(jī)器學(xué)習(xí)方法中，常用的特征如下：

?

總結(jié)

以上是生活随笔為你收集整理的【神经网络】神经网络结构在命名实体识别（NER）中的应用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。