引言：
因为在工作之中接触到NER，并且可以有需要NER的地方。在此总结一些相关资料与自己的理解。
什么是命名实体识别
此段原文：
http://blog.csdn.net/dvstream/article/details/17784293
命名实体识别(Named Entity Recognition, NER)，又称作“专名识别”，主要任务是识别出文本中的人名、地名等专有名称和有意义的时间、日期等数量短语并加以归类。对很多文本挖掘任务来说，命名实体识别系统是重要的组成部分：一方面，命名实体识别可以帮助识别未登录词，而根据SIGHAN Bakeoff的数据评测结果，未登录词造成的分词精度损失远大于歧义；另一方面，对关键词提取等任务来说，命名实体的类别是非常有用的文本特征。
命名实体是命名实体识别的研究主体，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、机构名、时间、日期、货币和百分比）命名实体。当然对于某些特定的应用场景，也可以把产品名、电影电视剧名、编程类库名等作为命名实体的类别。时间、日期、货币等实体识别通常可以采用模式匹配的方式获得较好的识别效果，而人名、地名、机构名的识别方法则比较复杂。
命名实体识别的过程通常分两步：识别实体边界、确定实体类别。英语中的命名实体具有比较明显的形态标志，如人名、地名等实体中的每个词的第一个字母要大写等，所以实体边界识别相对来说比较容易。中文内在的特殊性决定了在文本处理时首先必须进行词法分析，中文命名实体识别的难度要比英文的难度大。
一个完善的命名实体识别系统应该是词典、规则、统计学习的方法相结合。
1. 可以对原始文本进行细粒度的分词，多个连续的单字可以作为命名实体的候选结果；识别文本中的“”以及《》等配对的标点符号，当中的文本也可以作为候选结果。
2. 挖掘各个领域的专名词典，对候选结果进行前向最大匹配，匹配到的很有可能是各个类别的命名实体。
3. 利用隐马尔科夫链（HMM）、最大熵（ME）、条件随机场（CRF）等统计模型进行识别，www.nilday.com/命名实体识别调研/ 有各个模型的效果总结。
举个例子：
NER的一些应用场景
上面提到了， NER主要是将句子之中的一些关键词提取出来。 比如：机构、时间、名称等等。
在我们的实际应用之中， 也有一些需要使用NER增强的场景。
比如：
I want to buy a cup of coffee
那么程序就需要能够自动识别：
- 意图是买东西
- 买的对象是
coffee
所以， 有人说知识图谱的NER是150分类，或者更多。。。
目前一些第三方Service
下面都是一些能够直接试用的服务：
- Stanford
有中文、英文，可以下载SDK，免费。
http://nlp.stanford.edu:8080/ner/process -
Microsoft AI:
https://azure.microsoft.com/zh-cn/services/cognitive-services/entity-linking-intelligence-service/
需要付费。 不过看起来还不支持国内账号， 需要国外手机号、信用卡来注册才行。 -
Cognitive Computation Group
http://cogcomp.org/page/demo_view/ner
测试了一个我们实际的例子：How to upgrade Dr.Cleaner
很遗憾， 没有任何一个API / Service 能正确的识别出 Dr.Cleaner这个产品。
第三方SDK
- 首选还是Stanford的OpenNLP
注: NLTK也是基于Stanford的模型 - scipy:
自称“工业级”，而NLTK是“科研用” - 中文的：
- Java: Ansj / HanNLP
- Python： FoolNLTK
注：
- 貌似python中文分词的首先jieba还没有NER的功能
- 目前NER都有一些新词发现的功能， 但是不可避免的， 如果想适应自己的业务， 还是需要提供相应的词库。
本文原创，原文链接：http://www.flyml.net/2018/01/02/deepnlp-learn-ner/
文章评论