通过大规模语言模型，命名实体识别可以达到更精细化的实体类型识别、零样本识别和语句检索等目标，但这些目标仍然需要进一步研究和探索。

Oct, 2023

本文主要研究了最新的自然语言处理技术中，神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现，预训练的语言模型对发现未曾见过的命名实体表现良好，但对于未曾见过的关系则有待加强，因此模型的理解能力仍存在提升空间。

Jun, 2022

通过提出一种新的基线技术和构建基于机器学习的过程提取技术，将实体解析组件与实体和关系提取组件进行深度融合，以适应不同数据集和领域，从而避免了适应其他数据集、不同实体和关系类型或新领域所需的特征工程和规则定义所产生的巨大开销。

May, 2023

本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

Dec, 2019

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

该论文介绍了一种以实体为中心的神经体系结构，用于生成数据到文本的任务，并通过在 RotoWire 基准和棒球领域的新数据集上进行的实验，表明该模型在自动和人类评估上优于竞争基线。

Jun, 2019

本研究使用自然语言处理技术，旨在解决获取发展中国家公司财务数据的问题。通过构建专门针对发展中国家金融文本数据的数据集，我们采用基于 Transformer 的 T5 模型进行文本到文本的处理，同时进行命名实体识别和关系提取，达到 92.44% 的准确率、68.25% 的精确度和 54.20% 的召回率。同时，我们还使用 SpaCy 进行序列处理，包括预训练和微调模型的命名实体识别以及使用 SpaCy 的依赖解析器输出和一些启发式方法来确定实体关系，最终实现了 84.72% 的准确率、6.06% 的精确度和 5.57% 的召回率。

Mar, 2024

本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

Jun, 2021

本文研究如何将基于 transformer 的模型应用于工业级别的表格数据中的实体识别问题，并开发了一种专用的表格数据增强策略来提高性能，实验证明表格的归纳偏差对于 transformer-based 模型的收敛至关重要。

Sep, 2022

自然语言处理在需求工程中的半自动化规范化过程中起着重要作用，提供了更好的辅助，并可适用于特定用例和领域。

Sep, 2023