命名实体识别从数据集到算法实现
命名实体识别（Named Entity Recognition, NER）是 NLP 的基础任务，指从文本中识别出命名性指称项，为关系抽取等任务做铺垫。狭义上，是识别出人名、地名和组织机构名这三类命名实体（时间、货币名称等构成规律明显的实体类型可以用正则等方式识别）。当然，在特定领域中，会相应地定义领域内的各种实体类型。目前的主流工作，是将 NER当做深度学习任务来做，所以，我们需要大量的、高质量的数据。
公开数据集
首先让我们来看看常见公开数据集
CoNLL 2003（https://www.clips.uantwerpen.be/conll2003/ner/）
这个数据集包括1393篇英语新闻文章和909篇德语新闻文章。英语语料库是免费的，德国语料库需要收钱(75美元)。英语语料实际上是RCV1(Reuters Corpus, Volume 1， https://trec.nist.gov/data/reuters/reuters.html), 路透社早些年公开的一些数据集。你需要填个使用申请表(包含组织和个人两种类型)， 然后就可以使用了。
CoNLL2003中， 实体被标注为四种类型：
-
LOC (location, 地名)
-
ORG (organisation， 组织机构名)
-
PER （person， 人名）
-
MISC (miscellaneous， 其他)
一条标注数据的组织形式如下：
[word][POS tag][chunk tag][NER tag]
比如：
official NN I-NP O
Ekeus NNP I-NP I-PER
heads VBZ I-VP O
for IN I-PP O
Baghdad NNP I-NP I-LOC
. . O O
更加详细的关于标注数据的介绍， 见当时官方给出的一篇文章 http://www.aclweb.org/anthology/W03-0419
OntoNotes 5.0 / CoNNLL 2012 (https://catalog.ldc.upenn.edu/ldc2013t19)
OntoNotes 5.0由 1745k 英语、900k 中文和300k 阿拉伯语文本数据组成，OntoNotes 5.0的数据来源也多种多样， 有电话对话、新闻通讯社、广播新闻、广播对话和博客。实体被标注为【PERSON】、【ORGANIZATION】和【LOCATION】等18个类别， 详情见https://catalog.ldc.upenn.edu/docs/LDC2013T19/OntoNotes-Release-5.0.pdf。 你只需要在这个网站注册一下https://catalog.ldc.upenn.edu/signup
还有很多其他公开数据集，包括NLPBA2014， Enron Emails 等等， 这里就不做详细介绍了， 大家可以 google 一下。
标注方法
NER 标注方法有很多种， 这里主要介绍3种最常见。
IOB 标注法
IOB 标注法， 是 CoNLL 2003 采用的标注法， I 表示 inside, O 表示 Outside, B 表示 Begin。而标注的 label是 I-XXX 的， 表示这个字符， 在 XXX类命名实体的内部(inside)。B用于标记一个命名实体的开始。
比如：
hanks I-PER
is O
my O
name O
BIOES
这是在 IOB方法上，扩展出的一个更复杂，但更完备的标注方法。其中 B表示这个词处于一个实体的开始(Begin), I 表示内部(inside), O 表示外部(outside), E 表示这个词处于一个实体的结束为止， S 表示，这个词是自己就可以组成一个实体(Single)
BIOES 是目前最通用的命名实体标注方法。
Markup
Makeup 是 OntoNotes 使用的标注方法， 思路比较简单, XML， 比如：
它用标签把 命名实体框出来， 然后，在 TYPE 上， 设置相应的类型。
当然， 还有很多其他的标注方法， 比如 IO, BMEWO 等等，感兴趣的读者可以 google一下。
模型
目前业界比较常用的模型，是 LSTM + CRF。 这这类模型中， NCRF++算法, 是目前最好的 NER 算法， 发表在 COLLING 2018上，论文见 https://arxiv.org/abs/1806.04470 。NCRF++在它的文章中报告其在 CoNLL2003 上能达到91.35的 F1。
框架
NCRF++的整体框架如下：
它支持 BIO（注意，BIO和 IOB 有点区别）, BIOES 两种标注模式。因为 CoNLL2003 太过久远，一般将其转换到新的标注格式上来，转换方法见：https://github.com/jiesutd/NCRFpp/blob/master/utils/tagSchemeConverter.py
表现
NCRF++是目前 state-of-the-art的命名实体识别方案：
| ID | Model | Nochar | CharLSTM | CharCNN |
|---|---|---|---|---|
| 1 | WordLSTM | 88.57 | 90.84 | 90.73 |
| 2 | WordLSTM+CRF | 89.45 | 91.20 | 91.35 |
| 3 | WordCNN | 88.56 | 90.46 | 90.30 |
| 4 | WordCNN+CRF | 88.90 | 90.70 | 90.43 |
速度
NCRF++的速度表现也非常优异， 在使用全批处理的情况下， 在单个1080 显卡上， 训练速度能到到1000句话每秒，解码速度能达到2000句话每秒。
目前 NCRF++ 已经开源(https://github.com/jiesutd/NCRFpp)
