基于神经网络的命名实体识别研究综述.docVIP

基于神经网络的命名实体识别研究综述

一、命名实体识别核心任务与演进脉络

命名实体识别（NamedEntityRecognition,NER）作为自然语言处理领域的基础任务，核心目标是从非结构化文本中自动定位并分类出具有特定意义的实体单元，常见类别包括人名、地名、组织机构名、时间、专有名词等。早期NER研究主要依赖规则匹配与统计机器学习方法：20世纪90年代，基于词典和手写规则的系统在限定领域取得初步成效，但规则泛化能力差、人工成本高的缺陷逐渐凸显；随后隐马尔可夫模型（HMM）、最大熵模型（ME）、条件随机场（CRF）等统计模型成为主流，这类方法通过人工设计特征（如词性标注、n-gram、词典特征等）学习实体边界与类型的分布规律，在新闻等规范文本领域达到了80%左右的识别准确率，但特征工程依赖领域专家知识，对低资源场景和复杂语义的适配能力不足。

2013年Word2Vec词向量技术的出现为NER开启了深度学习时代，神经网络模型无需人工特征工程，能够自动从文本中学习多层语义表示，极大降低了领域迁移成本。2015年，基于双向长短期记忆网络与条件随机场的BiLSTM-CRF模型被提出，该架构通过BiLSTM编码上下文语义信息，再通过CRF层学习实体标签的转移约束，迅速成为通用NER领域的基准模型，在CONLL2003英文数据集上F1值突破了90%，远超传统统计模型。此后随着预训练语