命名实体识别的定义
命名实体可以被视为文本中具有特定意义或者指代性强的实体，如人名、地名、时间等名词。命名实体识别是自然语言处理领域的一项基础任务，目的在于从非结构化的文本中抽取出对应实体，识别其边界和类别。研究中的命名实体一般包含3大类（实体类、时间类、数字类）和7小类（人名、地名、组织机构名、时间、日期、货币、百分比）。
命名实体识别的意义
命名实体识别是关系抽取、事件抽取、知识图谱、信息抽取、问答系统等多项自然语言处理领域任务的基础，占有重要的地位。
命名实体识别的难点
命名实体识别的研究已经取得了很大的进展，但是仍然还存在着一些没有解决的问题。首先，当前的命名实体多数局限在特定领域的特定实体类别当中，对于其他领域的效果不够好。其次，命名实体的表达具有多样性，由于文化背景等的差别，很多实体的指代不够明确。
命名实体识别的解决方法
命名实体识别方法主要有三类，早期的基于规则的方法，到后来基于机器学习的方法，再到近年来基于深度学习的方法。
基于规则的方法
基于规则的方法多采用专家构造的规则模板，包括关键词、位置词、中心词等等，使用模式匹配的方法抽取符合要求的实体名称。但是这类方法对于专业知识要求比较高，过程耗时久，鲁邦性不够。
基于机器学习的方法
主流的基于机器学习的方法有隐马尔科夫模型（Hidden Markov Moder, HMM），最大熵模型（Maximum Entropy Model, MEM），支持向量机（Support Vector Machine, SVM）和条件随机场（Conditional Random Field, CRF）等等。这其中，隐马尔科夫模型能够充分利用数据的特征，但是其得到的结果往往是局部最优的，最大熵模型的通用性较好，不过训练效率比较低，支持向量机的理论比较完备，但是其训练效率比较低，条件随机场虽然依赖特征模板，但是其比较灵活，往往能获得全局最优结果，因此，也成为了这类方法中的主流模型。CRF是给定一组输入序列的条件下，另一组输出序列的条件概率分布的模型，当输出序列的每一个位置的状态需要考虑到相邻位置的状态的时候，可以应用到CRF模型。
基于深度学习的方法
命名实体识别方法往往被建模为序列标注问题，数据标注方式有BIO和BIOES等，这里简要介绍BIOES标注方法：
B，Begin的简写，表示实体词的开始
I，Intermediate的简写，表示实体词的中间
E，End的简写，表示实体词的结尾
S，Single的简写，表示这个实体词仅包含当前一个字
O，Other的简写，表示其它非实体词
例如，“浙江大学位于杭州”，这句话的标注结果为[B-ORG, I-ORG, I-ORG, E-ORG, O, O, B-LOC, E-LOC]，这个任务即可转化为预测输入句子的标签。Bert模型在大规模无标注语料上预训练过，蕴含了大量的语法语义知识，因此，目前比较主流的方法是采用Bert作为特征抽取器，对文本token序列进行编码表征，再利用一个全连接层对序列当中的每个token进行分类，最后使用CRF层进行最终标签的确定。
命名实体识别的相关工具
文章的最后推荐一些命名实体识别任务的相关工具。
- Hanlp，Hanlp是一系列模型与算法组成的NLP工具包，主要功能包括分词、关键词提取、命名实体识别等等，其链接HanLP官网
- SpaCy，SpaCy是工业级自然语言处理工具，主要功能包括分词、磁性标注、命名实体识别等等，其链接spaCy · Industrial-strength Natural Language Processing in Python
- NLTK，NLTK全称Natural Language Toolkit，由宾夕法尼亚大学开发，其链接NLTK :: Natural Language Toolkit
