姚贵斌，张起贵

太原理工大学 信息与计算机学院，山西 晋中030600

命名实体识别是自然语言处理中的一项基础任务，旨在识别出文本中的人名、地名、机构名等具有实体意义的词汇。随着该技术在更多领域的不断普及，比如医疗、生物和军事领域，某种药物、疾病或武器也可以称作是命名实体。识别出这些实体对提取关键信息有极大的帮助，对抽取实体关系三元组和完善知识图谱有着重要的影响。传统命名实体识别方法有基于规则和统计的方法，这两种方法须依赖于人工制定的规则，代价昂贵。随着深度学习在自然语言处理中的广泛应用，可以利用特征抽取模型自动学习到文本特征。张俊飞等[1]通过将字向量和分词得到的字信息特征组合在一起输入BLSTM-CRF中并取得了不错的识别效果。Zhang等[2]提出Lattice LSTM（Long Short Term Memory）网络，对输入字符序列和所有匹配词典的潜在词汇进行编码，与基于字符的方法相比，该模型利用了词和词序信息，与基于词的方法相比又不会出现分词错误。并在四个数据集上优于论文中的其他模型。李博等[3]以transformer为基础模型，针对中文电子病历命名实体识别传统模型识别效果不佳的问题，提出一种完全基于注意力机制的神经网络模型，F1值高达95.02%。卷积神经网络模型主要用于图像领域，刘小安等[4]通过利用卷积神经网络充分对文本的局部信息特征进行抽象化抽取和表示，对文本进行空间建模，实现了对景点实体的识别。杨飘等[5]将……