命名实体识别

背景

一般仅仅提取一些关键的字段，例如名称，时间，组织，地点等。 可应用于关系抽取(二者之间的关系)，事件抽取(某人感兴趣的事件)，知识图谱，问答系统，机器翻译

模型

LSTM+CRF

LSTM这种模型可以用来学习序列信息。CRF被用来做状态转移概率。

指标

Precision达到80%， Recall达到50%表明可以达标。
Precision:
$$P=\frac{TP}{TP+FP}$$
Recall:
$$R=\frac{TP}{TP+FN}$$

专业名词

O2O：线上到线下Online to Offline
POI： Point of interest
垂直搜索：针对某一个行业的专业搜索引擎。
UGC：用户原创内容

参考资料

美团命名实体识别：

https://zhuanlan.zhihu.com/p/163256192

https://blog.csdn.net/sunshinezhihuo/article/details/108234412
https://www.cnblogs.com/anai/p/11492956.html
https://blog.csdn.net/macanv/article/details/85684284

关于HMM，CRF， LSTM做实体识别的博客

https://www.lookfor404.com/%E5%91%BD%E5%90%8D%E5%AE%9E%E4%BD%93%E8%AF%86%E5%88%AB%E7%9A%84%E8%AF%AD%E6%96%99%E5%92%8C%E4%BB%A3%E7%A0%81/

https://mp.weixin.qq.com/s?__biz=MzA3NDIyMjM1NA==&mid=2649036099&idx=1&sn=7671dfd7c4f748c3aa0d12f57956fabf&chksm=8712ab3eb065222862a03a0f18ec62cce6a6a8166656a3477c7c2f492c9749b7b68b75679693&mpshare=1&scene=1&srcid=&sharer_sharetime=1572016847231&sharer_shareid=4fa659852096f33de8f023fd01576ab8&key=68be3ae943e49b4fbb7838f992ea2e842c457074724db7168c475a4bf1116361daf0c2f626cc1f5f6b619c5fc9e1f9ec1e91ef29ab2a2bd3f89dcbcf96828cdd1b3ee44f788225091d6974746deedf1c&ascene=1&uin=OTk1NzUyMjg0&devicetype=Windows+10&version=62070152&lang=zh_CN&pass_ticket=6AIkBD91lXgG6tU+pIy+UhgTchkQRsROj4GqFT1Fs9vsp6i0wq/ljafTyMzMsw8O
https://www.pianshen.com/article/874512843/ （实体识别的一些应用）

为什么要基于预测模型做实体识别

https://tech.meituan.com/2020/07/23/ner-in-meituan-nlp.html

实战

https://zhuanlan.zhihu.com/p/88547918

NerCode

使用

参考资料

Li J, Sun A, Han J, et al. A survey on deep learning for named entity recognition[J]. IEEE Transactions on Knowledge and Data Engineering, 2020, 34(1): 50-70.
https://zhuanlan.zhihu.com/p/373304254 (综述对应的知乎文章)
https://blog.csdn.net/kevinjin2011/article/details/124691670（前沿方法总结）