什么是命名实体识别：

命名实体识别是将文本中的元素分成预先定义的类，如人名、地名、 机构名、时间、货币等等。作为自然语言的承载信息单位，命名实体识别 属于文本信息处理的基础的研究领域，是信息抽取、信息检索、机器翻译、 问答系统等多种自然语言处理技术中必不可少的组成部分。

传统的 NER 任务主要是对七大类的识别：

命名实体识别主要分类，一般包括 3 大类（实体类、时间类和数字类）和 7 小类（人名、地名、组织名、机构名、时间、日期、货币和百分比）。但随着 NLP 任务的不断扩充，在特定领域中会出现特定的类别，比如医药领域中，药名、疾病等类别。

slot filling 算是广义的 NER。

NER 会分限定域和开放域： NER 会针对具体 domain 区分，开放域的话应该就是指传统的三大类和七小类了。例如对话的 slot，比如说，特定领域：音乐领域，歌手，歌曲，曲风这些 slot。

Context-Dependent Fine-Grained Entity Type Tagging，https:// arxiv.org/abs/1412.1820，这篇文章提到一些细分的类别。

命名实体识别的应用场景： 知识图谱，文本理解，对话意图理解，舆情分析，对话 NLU 任务

目前做 NER 的主流方法是什么：

MLP->LSTM->LSTM/CNN+CRF->BiLSTM+CRF- >BiLSTM+CNN+CRF。 句法分析规则加概率方法

NER 常用的数据集、工具、评测任务有哪些？? NLTK 工具 Stanford NLP 工具 snownlp Spacy 也有 NER 功能，不过貌似支持英语和德语。

总结来看，常用的用 Stanford、NLTK、snownlp，另外也可使用哈工大 LTP 云和 bosonnlp api，虽然不见得效果就一定准确，但利用多种方式进行处理毕竟是方便些。

参考：http://mp.weixin.qq.com/s?__biz=MzIwMTc4ODE0Mw==&mid=2247484893&idx=1&sn=5a2cc2a381806d4a322587d35dfa3464&chksm=96e9da5da19e534b3e02b9354bee315ef6811ccd9feac4d02ee42eb3bae4550e00e272878f22&mpshare=1&scene=23&srcid=0703BR9bryjSOQox5FjLQEpe#rd