摘要：以系统的开发技术和方法以及相关背景知识,对系统进行详细的设计并给出了最大概率的分词方法,辩析了正向最大匹配的识别过程及正向最大匹配的识别过程,成功地应用条件随机场实现了汉语命名实体识别,从而证明该研究方法的有效性。

摘要：命名实体识别是自然语言处理领域中一项重要任务,因此对命名实体识别的研究具有较高的研究意义。目前,针对命名实体识别任务的研究在处理长文本、复杂语言现象和未知实体时存在一定的局限性。基于Trans-former架构的ChatGPT被提出,大语言模型进入大众视野,并展现出了强大的自然语言处理能力。因此,提出了一种基于大语言模型的命名实体识别方法,通过设计提示词模板,并构建大模型分类器,充分地利用大语言模型强大的语义能力,能够更好地识别实体。实验表明,与现有的命名实体识别方法相比,基于大语言模型的命名实体识别方法,可以提高命名实体识别的准确率、精确率、召回率和F1值。

摘要：航天领域相关文本正在飞速累积,随着人类探索太空的进程快速推进,相关文本的累积速度进一步加快。人工阅读整理此类文本显得效率低下,因此,针对航天文本研究信息抽取技术实现信息自动抽取变得十分有价值,而命名实体识别技术又是自动信息抽取的基础,建立一种航天命名实体识别的高效方法具有很重要的现实意义。本文针对航天领域命名实体识别这一特定问题,通过人工构建训练数据集、特征设计和CRF模型训练,建立了一种航天命名实体识别的高效方法。通过与基于字符串匹配的方法相比较,本文所提方法有着更高的准确率和召回率,验证了本文所提方法的有效性。

摘要：针对领域短文本中命名实体在计算资源受限情况下识别率不高的问题,设计了一种融入领域知识的双BiLSTM_CRF+全连接网络模型,对领域短文本命名实体进行识别。利用领域知识图谱中的关键知识实体及其关键关系,经投影变换、聚类和全局向量词嵌入处理,并基于词向量相似性计算,发现与待识别领域命名实体相似的关键知识实体,将其替换为关键知识实体后生成新的领域短文本,与未替换的领域短文本一同输入模型中进行命名实体识别,使领域知识融入领域短文本的命名实体识别过程,实验结果表明本方法较现有其他同类方法获得了较优的识别能力。

摘要：为了从非结构化电商领域语料中抽取出有效的实体信息,提出了一种基于Rotary Transformer(RoFormer)预训练模型的中文电商语料命名实体识别模型。该模型通过RoFormer预训练模型,将大规模未标注的文本生成具有语义特征的嵌入向量;采用双向长短时记忆神经网络模型(BiLSTM)和迭代膨胀卷积神经网络(IDCNN)提取输入文本序列的特征,并引入多头注意力机制调整特征权重;通过条件随机场(CRF)修正后输出,为验证所提出方法的有效性,设计了对比实验。结果表明:该模型评价值优于其他模型,能够较好的应用于电商领域命名实体识别任务。

摘要：在已有的命名实体识别研究的基础上,提出了一种新型的混合神经网络模型--门控CNNCRF用于命名实体识别。该模型结合了门控线性单元,卷积神经网络,以及条件随机场。作为对比,同时还介绍了其他较为成熟的命名实体识别模型,例如Bi-LSTM-CRF。分别对以上模型在中文数据集上进行了命名实体识别测试。实验表明,所有结果的准确率、召回率和F1值都接近命名实体识别的最新水平。其中门控CNN-CRF模型在中文数据集SIGHAN2006上进行命名实体识别时,准确率、召回率、F1值分别达到了91.05%、89.93%、和90.49%,取得了较好的效果。

摘要：近年来,预训练语言模型在自然语言处理(NLP)任务,特别是实体识别(NER)中取得了显著成效。然而,现有的基于提示学习的NER模型依赖于复杂的离散提示设计和后处理,增加了模型开发的复杂性。通过对现有算法的研究,提出了一种结合离散和连续提示的对比学习方法,用于NER任务。该方法通过对比学习自动学习实体的连续表示,简化了模型。实验结果显示,该框架在大规模数据集上表现出色,并在资源有限的情况下实现了高效的小样本学习。这一新范式为NER任务的提示学习提供了新的方向。

摘要：针对传统命名实体识别方法不适用于中医领域,提出一种适用于中医领域的命名实体识别方法。在医古文数据集上的结果证明,所提出的模型有效提升模型的整体性能。

摘要：为了解决西藏畜牧业领域相关文本的实体识别难度大的问题,构建了一种结合BERT预训练语言模型的神经网络模型,该模型将语料输入BERT中获取字向量抽象特征,然后再传入双向长短时记忆网络(BILSTM)中编码以获取上下文相关的语义信息,最后通过条件随机场(CRF)进行解码提取出相应的实体。结合领域特点自建西藏畜牧业领域语料库,并设计不同类型实体的标注方法及命名规范,将BERT的Base和Large版本分别与BILSTM-CRF结合进行命名实体识别实验。实验结果表明:总体上Base和Large版在F1值上分别收敛至92.37%和92.78%,但是在自定义的动物、动物疾病以及病虫害三个类别上未训练词的识别方面,Large版的F1值比Base版平均高6.25%,该模型在西藏畜牧业领域命名实体任务中表现出色并且BERT的Large版对长语句中的未训练词识别效果更好。

摘要：为减少现有的深度命名实体识别(NER)模型对高质量标注数据集的依赖,面向医学文本解析,提出一种基于半监督学习与RoBERTa多层表征融合的医学命名实体识别方法。该方法在RoBERTa-wwm-ext-BiLSTM-CRF多层表征融合模型基础上,设计伪标签方法扩充数据样本,构建噪声减弱模块以缓解伪标签数据中噪声的影响。在CCKS 2021医疗命名实体识别数据集和CBLUE CMeEE数据集上的实验结果表明,该方法与经典的BERT-BiLSTMCRF方法相比,F1值分别提升了1.14%和1.63%,表明引入半监督学习策略并融合RoBERTa多层表征信息的命名实体识别方法可以有效提高医学实体识别效果。