本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构，其中嵌入向量（Glove，BERT）的融合输入被用来增强模型的泛化能力，还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recognition 任务的性能。经实验证明，该方法显著提高了弱类的表现结果，并且只使用了非常少量的数据集。

Mar, 2020

本文研究使用深度神经模型实现对命名实体的识别，提出了两种神经模型，分别是模糊 CRF 层和 AutoNER 模型，并探讨了如何优化糟糕的监督数据来源以提高 NER 的准确率。实验结果表明，仅使用词典而无需人工操作的 AutoNER 表现最佳，并与最先进的监督基准具有竞争力。

Sep, 2018

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

本文提出基于条件随机场的混合半马尔可夫模型，应用于自然语言处理中的神经序列标注任务，该模型采用词级别和片段级别的信息同时作为特征来提升性能，在 CoNLL 2003 命名实体识别任务中取得了最好的结果。

May, 2018

通过字符级神经 CRF 模型进行跨多个语言的命名实体识别的迁移学习，使得在资源丰富和资源匮乏的语言中都能提高 F1 分数，并在基线上提升 9.8 个点。

Apr, 2024

本文通过将联邦学习应用在命名实体识别任务中，使用具有语言无关性的 CoNLL-2003 数据集作为基准数据集，Bi-LSTM-CRF 模型作为基准模型，研究了联邦学习的性能，展示了联邦学习相对于集中式模型在不同的异构学习环境下的性能降低，并讨论了联邦学习在自然语言处理应用领域中的现存挑战和未来研究方向。

Mar, 2022

本研究提出了基于部分可观测的树条件随机场（Partially-Observed-TreeCRFs）的嵌套命名实体识别方法，使用类似于组成句子解析的方法，将标注实体认定为具有观测值的树节点，而其他实体为潜在节点，并采用掩码算法来实现节点的不同推理操作，从而大幅度提高了训练和推理的效率，并在 ACE2004、ACE2005 和 GENIA 数据集上实现了最优的 F1 分数。

Dec, 2020

提出一种新的序列到序列模型 -- 一个 RNN transducer (RNN-T) 来解决名词实体识别 (NER) 的任务，利用对齐的人类标注信息作为特征来训练模型，并通过实验表明该方法可以提高 F1-score 的表现。

Feb, 2022

该研究提出了一种基于神经网络的联合模型，能够同时执行实体识别和关系抽取任务，而无需人工提取特征或使用任何外部工具，并在包括新闻、生物医学和房地产等不同语境下进行了实验，而且表现优异。

Apr, 2018

本研究使用神经网络进行语言表示，探讨在葡语 NER 任务中使用 Portuguese BERT 和 BERT-CRF 结构的转移学习能力，采用基于特征和微调的训练策略，最终实现了比现有最优模型更好的结果。

Sep, 2019