我们提出了一种新方法用于识别目标化命名实体；我们的方法不需要重新训练统计模型，这使得它对于经常更新的实体类型更加适应。我们的系统使用从 Twitter 收集的数据，以电影标题为例进行测试。在两个评估集上进行测试，我们的最终模型显示 F1 得分为 76.19％和 78.70％，这表明我们的方法完全不偏向于任何训练过程中找到的特定实体集。

Aug, 2014

这项人类主题研究的目标是学习如何在有挑战性的情况下，引导设计更好的评估方法和 NER 算法，比较 NER 在有许多不规则和新颖的命名实体的对话音乐推荐查询语料库上的人类和算法表现，并分析了不同类型实体的错误模式。

Mar, 2023

本研究提出了一种有效的方法，使用有噪声的商务电话对话转录本进行训练的命名实体识别 (NER) 模型，使用 LUKE 作为教师模型，使用大量弱标记数据和少量人工标注数据教授一个 smaller DistilBERT-based 学生模型，并在满足商业电话产品实际约束条件的情况下实现高准确性和即时性能

Sep, 2022

本文研究了使用主题模型技术和命名实体来发现具有相关主题的播客。实验表明，使用我们提出的文档表示方法 NEiCE，可以提高主题的一致性，我们发布了实验代码以复现结果。

Jan, 2022

本文提出了使用分布式词表示有效地将一个领域中学习的模型适应到其他领域的方法，并分析了不同领域之间的语言变异以识别可以提高性能的语言见解，提出了捕捉词汇用法的领域特定语义的方法，并演示了如何有效地使用此类领域特定知识来学习在领域适应设置中优于以前基准的 NER 模型。

Dec, 2016

该文定义了语音去识别中的实体提取任务，并提出了一种包括音频转录、实体信息提取和音频流对齐等环节的处理流程，并基于 Switchboard 和 Fisher 音频数据集提出了一个新的音频去识别度量标准和评估基准，并对其结果进行了详细说明。

Mar, 2019

本研究介绍了一项新任务：Dynamic Named Entity Recognition（DNER），提供了一个框架，以更好地利用上下文来评估算法提取实体的能力。DNER 基于两个数据集，DNER-RotoWire 和 DNER-IMDb，我们评估了基线模型并提出了与此新任务相关的问题和研究方向的实验。

Feb, 2023

本文旨在量化命名实体识别（NER）方法在 Web 内容和用户生成内容中的多样性如何影响其效果，并发现 NER 方法在具有有限训练数据的多样化数据类型中难以实现推广。文章还发现，领先的 NER 系统靠训练数据中的表面形式，很难进行推广。

Jan, 2017

该研究通过一种端到端的神经架构，直接从语音中提取命名实体，并针对语音识别和命名实体识别进行联合优化，相较于传统的流水线方法，实现了更好的命名实体识别结果（测试数据的 F-measure=0.69）

May, 2018

本文提出了一个新的架构，通过联合重排序模块将 NER 和 EL 任务相结合，提高 NER 和 EL 的准确性，同时还可以提高其他自然语言理解任务（如域分类和语义解析）的准确性。

May, 2020