中文命名实体识别（涵盖HMM、CRF、BiLSTM等多元模型）：named_entity_recognition

简介：
本项目专注于中文文本中的命名实体识别技术研究与应用，采用包括隐马尔可夫模型(HMM)、条件随机场(CRF)及双向长短期记忆网络(BiLSTM)在内的多种先进算法模型。旨在提高对人名、地名和组织机构等特定信息的精准提取能力。 本项目尝试使用了多种不同的模型（包括HMM、CRF、Bi-LSTM 和 Bi-LSTM + CRF）来解决中文命名实体识别问题，数据集采用的是ACL 2018 收集的简历数据。数据格式如下：每一行由一个字及其对应的标注组成，使用的标注体系是BIOES，并且句子之间用空行分隔。 美 B-LOC国 E-LOC的 O华 B-PER莱 I-PER士 E-PER我 O跟 O他 O谈 O笑 O风 O生 数据集存放于项目目录下的ResumeNER文件夹内。以下是不同模型及其Ensemble（组合）预测结果的最佳准确率： | 模型 | 召回率 | 准确率 | F1分数 | |----------|---------|---------|----------| | HMM | 91.22% | 91.49% | 91.30% | | BiLSTM + CRF | 95.43% | 95.43% | 95.42% | | 合奏 | - | 95.37% | 95.32% | | 召回率模型1| - | 95.72% | 95.70% | | Ensemble (组合) | - | 95.69% | 95.64% | 最后一列Ensemble代表将这四个模型的预测结果结合后的效果。