20 从零学NLP系列教程：命名实体识别

查看大图

NER 不是只找关键词，它还要判断实体边界和类型。边界错一个字，后面的知识抽取和检索都会受影响。

查看大图

我会专门看边界样本：简称、别名、嵌套实体和中文机构名。实体抽取最容易在这些地方失真。

在本篇教程中，我们将深入探讨命名实体识别（Named Entity Recognition, NER）这一序列标注任务。命名实体识别是信息提取的一部分，主要目的是从文本中识别出具有特定意义的实体，如人名、地点、组织等。通过前面的内容，我们已经了解了文本分类的评价指标，那么接下来的内容将集中在序列标注上，特别是如何进行命名实体识别。

什么是命名实体识别？

命名实体识别的主要目标是识别文本中的命名实体，并将其分类。典型的命名实体类别包括：

查看大图

学习命名实体识别时，先看实体类型、标注规则、上下文线索、模型预测、错误边界和应用场景。

• 人名（PERSON）
• 地名（LOCATION）
• 机构名（ORGANIZATION）
• 日期（DATE）
• 时间（TIME）
• 数量（MONEY）

这样的选择让NER任务在很多应用场景中都有重要意义，比如信息检索、问答系统、机器翻译等。

NER的基本方法

命名实体识别任务通常使用序列标注的方法来处理，也就是为文本中的每个词分配一个标签。最常用的标签集为IOB格式：

查看大图

学《从零学NLP系列教程：命名实体识别》时，可以先找一个自己能复现的小场景，再看相关概念和练习步骤，读完后用自己的例子复述一遍。

• I: Inside (内部，表示该词是实体的一部分)
• O: Outside (外部，表示该词不是实体)
• B: Begin (开始，表示该词是一个实体的开始)

举个例子，句子“Bill Gates是微软的创办人。”可以标注为：

单词	标签
Bill	B-PER
Gates	I-PER
是	O
微软	B-ORG
的	O
创办人	O
。	O

在这个例子中，“Bill Gates”被标识为一个人名（PER），而“微软”被标识为一个组织名（ORG）。

数据准备

在进行命名实体识别之前，我们需要对数据进行适当的准备。首先，我们需要一个文本和相应标签的集合。以下是一个示例数据集的结构：

{
  "sentences": [
    {
      "text": "Bill Gates是微软的创办人。",
      "labels": [
        {"start": 0, "end": 4, "label": "B-PER"},
        {"start": 5, "end": 11, "label": "I-PER"},
        {"start": 12, "end": 12, "label": "O"},
        {"start": 13, "end": 15, "label": "B-ORG"},
        {"start": 16, "end": 16, "label": "O"},
        {"start": 17, "end": 20, "label": "O"},
        {"start": 21, "end": 21, "label": "O"}
      ]
    }
  ]
}

NER模型示例

我们可以使用深度学习模型来进行NER任务。下面的例子展示了如何使用transformers库中的预训练模型来构建NER模型。我们将使用Python和Hugging Face库来实现这一过程。

安装依赖

确保你已经安装了transformers和torch库。

pip install transformers torch

代码示例

以下是一个简单的NER模型实现：

import torch
from transformers import BertTokenizer, BertForTokenClassification
from transformers import pipeline

# 加载预训练模型和分词器
model_name = "dbmdz/bert-large-chinese-ner"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForTokenClassification.from_pretrained(model_name)

# 创建ner管道
ner = pipeline("ner", model=model, tokenizer=tokenizer)

# 测试文本
text = "Bill Gates是微软的创办人。"

# 进行命名实体识别
results = ner(text)

# 输出结果
for entity in results:
    print(f"实体: {entity['word']}, 标签: {entity['entity']}, 置信度: {entity['score']:.2f}")

运行结果

运行上述代码后，输出可能会是这样的结果：

实体: Bill, 标签: B-PER, 置信度: 0.99
实体: Gates, 标签: I-PER, 置信度: 0.98
实体: 微软, 标签: B-ORG, 置信度: 0.97

查看大图

读到这里，可以把《从零学NLP系列教程：命名实体识别》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《从零学NLP系列教程：命名实体识别》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

小结

在本篇教程中，我们介绍了命名实体识别的基本概念和实现方法，并结合代码实例展示了如何使用深度学习模型来进行NER任务。通过了解NER，读者可以更好地掌握如何从文本中提取具有重要意义的信息。

在下一篇教程中，我们将继续深入探讨序列标注的另一个重要方面——部分语法分析（Shallow Parsing），欢迎继续关注！