命名實體識別（Named Entity Recognition，NER）就是從一段自然語言文本中找出相關實體，并標注出其位置以及類型，如下圖。它是NLP領域中一些復雜任務（例如關系抽取，信息檢索等）的基礎。

NER一直是NLP領域中的研究熱點，從早期基于詞典和規則的方法，到傳統機器學習的方法，到近年來基于深度學習的方法，NER研究進展的大概趨勢大致如下圖所示。

在基于機器學習的方法中，NER被當作是序列標注問題。與分類問題相比，序列標注問題中當前的預測標簽不僅與當前的輸入特征相關，還與之前的預測標簽相關，即預測標簽序列之間是有強相互依賴關系的。例如，使用BIO標簽策略進行NER時，正確的標簽序列中標簽O后面是不會接標簽I的

在傳統機器學習中，條件隨機場（Conditional Random Field，CRF）是NER目前的主流模型。它的目標函數不僅考慮輸入的狀態特征函數，而且還包含了標簽轉移特征函數。在訓練時可以使用SGD學習模型參數。在已知模型時，給輸入序列求預測輸出序列即求使目標函數最大化的最優序列，是一個動態規劃問題，可以使用維特比算法進行解碼。

在傳統機器學習方法中，常用的特征如下：

?

總結

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）中的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。