nlp

机器不学习 jqbxx.com -机器学习好网站 命名实体识别（Named Entity Recognition，NER）就是从一段自然语言文本中找出相关实体，并标注出其位置以及类型，如下图。命名实体识别是NLP领域中的一些复杂任务的基础问题，诸如自动问答，关系抽取，信息检索等 ，其效果直接影响后续处理的效果，因此是NLP研究的一个基础问题。 NER一直是NLP领域中的研究热点，现在越来越多的被应用于专业的领域，如医疗、生物等。这类行业往往具有大量的专业名词，名词与名词之间相互之间存在着不同种类的关系。NER的研究从一开始的基于词典和规则的方法，基于统计机器学习的方法，到近年来基于深度学习的方法，NER研究的进展趋势如下图所示。 基于统计机器学习的方法主要包括:隐马尔可夫模型(HiddenMarkovModel HMM)、最大熵(MaxmiumEntropy,ME)、支持向量机(Support VectorMachine,SVM)、条件随机场( Conditional Random Fields,CRF)等。 隐马尔可夫模型（HMM）主要利用Viterbi算法求解命名实体类别序列，在训练和识别时的效率较高且速度较快。隐马尔可夫模型适用于一些对实时性有要求以及像信息检索这样需要处理大量文本的应用,如短文本命名实体识别。 最大熵模型（ME）结构紧凑,具有较好的通用性

为了更好服务 NLP 研究者，百度 PaddleNLP 于近日完成了针对其研究能力的升级，即 PaddleNLP-研究版。 PaddleNLP-研究版旨在基于飞桨（PaddlePaddle）深度学习平台和百度 NLP 深厚的技术积累，为广大研究者提供 NLP 领域前沿方向的研究成果、代码与数据，让广大研究者们可以快速复现已发表学术论文的实验效果，并据此开展新的研究。 目前，PaddleNLP 已经开放了包括 ACL2019、NAACL2019、IJCAI2019、MRQA2019 等顶级 NLP 会议 5 篇最新论文，支持了 3 个竞赛的代码复现，配合开放了 2 个相关论文的数据集，包括 DuConv、MMPMS、MPM、ARNOR 等模型和数据，覆盖信息抽取、智能对话、问答、阅读理解、评论建议挖掘等领域。 未来，PaddleNLP 还将持续升级，开源更多百度大脑在 NLP 领域的研究成果，例如发表于 ACL2019 的 KTNET、SEEDS、STACL 等模型与框架，覆盖了机器阅读理解、个性化对话、同声传译、机器翻译等场景。 PaddleNLP 作为一个同时覆盖工业应用和学术研究的全方位工具与数据集，将持续依托飞桨和百度 NLP 强大的技术保障，让开发者以越来越低的门槛获取更多前沿的 NLP 技术，欢迎持续关注。 百度 PaddleNLP-研究版开源与即将开源项目概览