本文基于三个维度的分类法，系统地回顾了深度学习在命名实体识别上的应用技术，并介绍了面临的挑战和未来的研究方向。

Dec, 2018

研究了使用部分标记数据进行命名实体识别的问题，用迭代算法通过识别假负标签减小其权值，训练带有偏重的NER模型，取得8种语言的实验结果，并在孟加拉语NER语料库中比现有最优算法提高5个百分点的F1分数。

Sep, 2019

该研究研究了5种尼日利亚语言（尼日利亚英语，尼日利亚皮钦英语，伊博语，约鲁巴语和豪萨语）的命名实体识别，在建立个体模型和组合模型的基础上，提高了信息提取的效率，提高了模型的再利用性和生产部署的便利性。

Mar, 2021

本文研究低资源印度语言Hindi和Marathi的命名实体识别(NER)，使用base-BERT，RoBERTa和AlBERT等变体进行了基准测试，并在不同单语和多语Transformer模型之间进行了详细比较，发现MahaRoBERTa单语模型在Marathi NER方面表现最佳，而多语言XLM-RoBERTa在Hindi NER方面表现最佳。文中还进行了跨语言评估和提出了简单基线。

Mar, 2022

该论文发布了一份标准符合的，包含109,146句子和2,220,856个标记的Hindi NER数据集，并使用不同的语言模型对其进行了评估，表明其对于NLP在Hindi方面有着重要的作用。

Apr, 2022

本文介绍了在BanglaCoNER数据集上使用条件随机场（CRF）和微调变压器模型（如BanglaBERT）的两种方法来解决Bangla复杂命名实体识别挑战的获胜解决方案。 深入探究了数据集，发现该数据集具有7个不同的NER标记，具有英语单词的明显存在，表明该数据集是合成的。同时，我们实验证明了基于深度学习的模型是自然语言处理中更有效的模型之一，特别是在CNER任务中。我们的fine-tuned BanglaBERT（large）模型在验证集上实现F1 Score为0.79。

Mar, 2023

论文探究了如何在低资源语言如印地语和马拉地语中通过适应BERT模型，训练监督学习的NER模型，并比较了多语言模型与单语言模型的性能，研究结果表明多语言模型可以提高NER的精度。

Jun, 2023

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

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

对印度语言进行多语言命名实体识别的挑战分析及旨在应对其的技术的提出。同时，提供了包括两个主要印度语言家族中四种印度语言在内的人工标注命名实体语料库，并在该数据集上对多语言模型进行了微调，平均F1得分达到0.80。在印度语言的完全未见基准数据集上实现了可比的性能，证实了我们模型的实用性。

May, 2024