本研究提出了一种端到端的神经网络架构，用于越南命名实体识别，最佳模型组合了双向长短时记忆神经网络、卷积神经网络、条件随机场，使用预训练的词嵌入作为输入，可在标准测试集上实现 88.59% 的 F1 分数。我们的系统能够在不使用任何句法或手工制作特征的情况下实现与 VLSP 竞选第一名系统相当的性能，同时对使用深度学习模型的越南 NER 在单词和字符级别上进行了广泛的实证研究。

May, 2017

本论文利用双向长短时记忆（Bi-LSTM）神经网络结合自动语法特征和词嵌入，提出了一种越南命名实体识别系统，其在 2016 年由越南语言与语音处理社区（VLSP）组织的评估中实现了 92.05％的综合 F1 分数，远超过先前的命名实体识别系统。

May, 2017

提出了一种基于注意力的编码器解码器模型 (AED)，用于识别越南手写文本，该模型通过使用 DenseNet 提取不变特征和将带有注意力模型的 LSTM 解码器连接在一起的方法生成输出文本，实验结果表明，在 VNOnDB-Word 和 VNOnDB-Line 数据集上达到了竞争性结果。

May, 2019

本文介绍了使用多语言 BERT 嵌入和一些新的神经模型，提高越南语序列标记任务的研究。我们提出了新的模型架构，在 VLSP 2016 和 VLSP 2018 两个命名实体识别数据集和 VLSP 2010 和 VLSP 2013 两个词性标记数据集上进行了广泛评估。我们的方法优于现有方法，并实现了新的最先进结果。

Jun, 2020

本文介绍了神经网络基础工具集 NNVLP，主要用于越南语言处理任务，包括词性标注、分块、命名实体识别。该工具集使用双向长短期记忆网络，卷积神经网络，条件随机场，并使用预训练的词嵌入作为输入，取得了这三个任务的最新成果。我们提供了 API 和 Web 演示。

Aug, 2017

该论文提出了一种有效的方法，通过在标记序列模型中应用标记规则和双向推理方法来提高越南语命名实体识别系统的准确性，该方法在 VLSP 社区于 2016 年底组织的一次评估活动中的测试集上取得了 89.66％的总体 F1 得分。

Oct, 2016

本文提出了一种新颖的基于注意力机制的神经网络模型，用于精细分类实体类型，与以前的模型不同的是，我们的模型递归地构建实体提及上下文的表示。我们的模型在著名的 FIGER 数据集上实现了 74.94% 的松散微平均 F1 分数，相对提高了 2.59％。我们还研究了我们的模型中注意机制的行为，并观察到它可以学习表明实体精细类别成员资格的上下文语言表达式。

Apr, 2016

本文介绍基于双向 LSTM 和条件随机场，以及基于转移的方法的两种新的神经网络模型，这些模型不依赖于领域特定的知识和语言。通过使用监督语料库和未标注语料库，字符表示和无监督的学习表示，这些模型在四种语言中实现了名词实体识别的最先进性能。

Mar, 2016

本文采用几种神经网络结构进行细粒度实体类型分类研究，并考虑了对最近提出的注意力神经结构的扩展，得出了三个关键贡献：结合学习和手工特征，同时观察它们互补作用；定量分析表明该注意力机制能够学习关注句法头和包含提及的短语，在我们的任务中，这些都是强大的手工特征；通过分层标签编码方法实现参数共享，在低维投影中显示出每种类型层次的明显聚类；虽然使用相同的评估数据集，但文献经常比较使用不同数据训练的模型，我们发现训练数据的选择对性能有显着影响，甚至会降低先前提出的方法的松散微 F1 得分高达 9.85％，但我们的最佳模型在广为人知的 FIGER（GOLD）数据集上实现了最新成果，松弛的微 F1 得分为 75.36％。

Jun, 2016

使用深度学习模型和集成模型对社交媒体上的越南文本进行分类，实现了比之前研究更好的性能。

Sep, 2020