命名实体识别NER论文调研

因为NER任务与笔者之前做的CCF互联网金融新实体识别竞赛相关,所以这两个月也调研了一些NER的算法，这两年的NER算法思想主要集中在将词典信息融入训练过程，达到减少中文语义歧义的效果。

CCF互联网金融新实体识别竞赛

https://www.datafountain.cn/competitions/361

当前竞赛NER任务的baseline

BERT + BILSTM + CRF

BERT + IDCNN[1] + CRF：IDCNN可以大致理解为CNN + pooling + upsampling，可以并行化运算，训练速度会比BILSTM快很多，但不会跟CNN一样，CNN切换pooling与upsampling会损失一部分信息。（pooling减小图像尺寸增大感受野， upsampling增大图像尺寸还原原始尺寸，两者在运算过程中不可逆，因此会导致一部分信息损失。）

IDCNN原理：本质和CNN一样，但是通过在卷积核之间增加“空洞”（即0），使IDCNN的卷积在不需要POOLing的情况下增加感受野，增大看到信息的范围。

缺点：1)会丢失局部信息; 2)虽说可以看得比较远，但是有时候远距离的信息并没有相关性。

应用场景：1)需要全局信息的图像任务; 2)需要解决长距离信息依赖的语音与文本任务。

目前调研了13篇NER论文，主要是看哪些论文能否嵌入金融新实体竞赛的baseline框架，达到提高代码复用率且实验结果佳的效果，其次是有些论文复现难度过高，只能做一些原理的分享。

1

改进结构提升效果

 [2018]Chinese NER Using