知识卡片
实体识别同时判断边界与类型
NER要找文本中的实体跨度并分类,如人、地点、组织;标签集取决于具体任务,可能还含时间、数值等。它不等于只收专有名词,也不等于已把名字链接到现实唯一对象。12类IIIT标签、Stanford三类和NLTK细分类是不同设计,不能混用标签名就直接比较准确率或宣称覆盖相同。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
参考来源
- 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第6章 语义分析:意义很重要,spine060单元003;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00059.html。
- 结论依据:原文同时列12类、Stanford PERSON/LOCATION与NLTK PERSON/GPE/ORGANIZATION,支持任务标签约定与跨度类型二要素。未在本机运行示例或改变环境。
- 原始内容:6.1.1 NER简介 命名实体识别(Named entity recognition,NER)是定位文档中的专有名词或命名实体的过程。而且,这些命名实体被分成了不同的类别,例如人名、地名、机构名等。 由I