自然语言处理（NLP）领域中，命名实体识别（NER）作为从非结构化文本中提取结构化洞见的关键机制，在本文中得到全面探索，融合了基础原理和当代人工智能的进展。该研究从 NER 的基本概念开始，涵盖了从传统的基于规则的策略到当代的转换器架构的一系列技术，特别是突出了 BERT 与 LSTM 和 CNN 等集成算法。该论文强调了针对金融、法律和医疗等复杂领域定制的领域特定 NER 模型，并强调了它们的专业适应性。此外，研究还涉及强化学习、创新构建（如 E-NER）以及光学字符识别（OCR）在增强 NER 能力方面的相互作用。论文以实际领域为基础，阐明了 NER 在金融和生物医学等领域中不可或缺的作用，并解决了它们所面临的独特挑战。结论部分概述了开放性挑战和路径，将这项工作标记为进入 NER 研究和应用的全面指南。

Sep, 2023

使用具有优秀语音转文本能力的双阶段网络将客户对话转换为文本，然后使用 NER BERT 转换器模型提取信息实现实体提取以优化客户体验。

Nov, 2022

我们研究了基于 BERT 模型的多种训练策略，旨在从口语化文本中识别出医疗领域的症状，并通过一系列实验发现了与这些训练策略相关的模型行为模式，提出了有效识别口语化文本中实体的训练策略设计原则。

Jan, 2024

将冗长的自然语言描述自动转化为结构化流程模型仍然是一个复杂的挑战 - 本文引入了一个现代解决方案，其中我们的方法的核心是使用依赖解析和命名实体识别（NER）从文本描述中提取关键元素。此外，我们利用主 - 动 - 宾（SVO）结构来识别动作关系，并集成了包括 WordNet 在内的语义分析工具以增加上下文理解。我们系统的一个新颖方面是将神经共指解决方案与 SpaCy 框架结合，提高了实体链接和代词引用的准确性。此外，该系统能够灵活处理数据转换和可视化，将提取的信息转化为 BPMN（业务流程模型和符号）图表。这种方法不仅简化了捕获和表示业务工作流程的过程，还显著减少了传统建模方法中的手动努力和潜在错误的可能性。

Dec, 2023

本文提出了一种实体为基础的叙述图（ENG），能够更好地建模故事中角色的内部状态，包括他们的动机、目标和心理状态，并通过实验和定量分析来评估其在预测角色心理状态和愿望实现任务中的表现。

Apr, 2021

该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。

Oct, 2018

本研究提出了三种结构以实现多标签的命名实体识别，这三种方法是 BiLSTM n-CRF、BiLSTM-CRF-Smax-TF 和 BiLSTM n-CRF-TF。通过评估在 i2b2/VA 2010 和 i2b2 2012 共享任务数据集上的不同模型，本研究证明这些方法可以获得较高的准确性。

Aug, 2022

本文通过在任务导向的对话系统中评估经过修改的最新神经网络架构的性能，研究了从文本、字符特征和外部语料库中训练的词嵌入的使用方式，并探讨了前一个话语作为附加特征的不同组合，以及在添加自动翻译的英语 - 翻译和英语 - 转录版本到英语数据集后的实验重复性。

Dec, 2018

我们开发了一种适用于社交媒体的具有命名实体识别功能的仇恨言论检测工具，该工具能准确识别攻击性言论并标记相关群体。在社交媒体的案例研究中证明了工具的实用性，并对不同类型的攻击进行了对比和分析。

May, 2024

该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

Dec, 2021