【自然语言处理实践11】基于BiLSTM-CRF的命名实体识别.pptxVIP

1基于BiLSTM-CRF的命名实体识别

2信息抽取信息抽取，即从自然语言文本中，抽取出特定的事件或事实信息，帮助我们将海量内容自动分类、提取和重构。这些信息通常包括实体、关系、事件等，例如从新闻中抽取时间、地点、关键人物，或者从文本中抽取关键实体的关系，或者从技术文档中抽取产品名称、开发时间、性能指标等。信息抽取主要包括三个子任务：（1）实体抽取：也就是命名实体识别，识别出文本中的实体，比如人名、地名、机构名等；（2）关系抽取：即通常说的三元组抽取，主要用于抽取两个实体在某一特定上下文中的关系；（3）事件抽取：相当于一种多元关系的抽取，识别特定类型的事件，并把事件中担任既定角色的要素找出来。

3命名实体识别一个命名实体，粗略地说，是任何可以用一个专有名称引用的东西如：一个人、一个位置、一个组织命名实体识别查找构成专有名称的文本范围，然后对实体的类型进行分类可扩展为包含本身不是实体的东西日期、时间和其他类型的时态表达式、价格等困难分割的模糊性，需要决定什么是实体，什么不是，界限在哪里另一个困难是类型模糊

4CRF条件随机场模型用于解决给定一组输入的随机变量的情况下，预测另一组输出随机变量的条件分布，该模型的前提假设是随机变量构成马尔科夫随机场。该模型是解决序列标注问题的经典模型，因为该模型充分考虑了Ｘ对应的标签ｙ，与前后文标注的关系。条件随机场实际上是定义在时序数