命名实体识别

11 minIntermediate

理解BIO标注、CRF、BiLSTM-CRF和Transformer在NER中的完整演进

命名实体识别

把名字提取出来。听起来简单，直到你面对歧义边界、嵌套实体和领域行话。

类型: 构建 语言: Python 前置条件: Phase 5 · 02（BoW + TF-IDF），Phase 5 · 03（词嵌入） 时间: ~75 分钟

问题

“Apple sued Google over its iPhone search deal in the US.” 五个实体：Apple (ORG)、Google (ORG)、iPhone (PRODUCT)、search deal (可能)、US (GPE)。好的NER系统提取所有实体并给出正确类型。差的漏掉iPhone，把水果Apple和公司Apple混淆，把”US”标记为PERSON。

NER是每个结构化提取流水线下的工作马。简历解析、合规日志扫描、医疗记录匿名化、搜索查询理解、聊天机器人响应接地、法律合同提取。你从不太看到它；你总是依赖它。

本课程从经典路径（基于规则、HMM、CRF）走到现代路径（BiLSTM-CRF，然后Transformer）。每一步解决前一步的特定限制。模式就是课程。

概念

BIO标注（或BILOU）将实体提取转化为序列标注问题。用 B-TYPE（实体开始）、I-TYPE（实体内部）或 O（不在任何实体内）标记每个token。

Apple    B-ORG
sued     O
Google   B-ORG
over     O
its      O
iPhone   B-PRODUCT
search   O
deal     O
in       O
the      O
US       B-GPE
.        O

多token实体链式标注：New B-GPE、York I-GPE、City I-GPE。理解BIO的模型可以提取任意跨度。

架构演进：

基于规则。 正则 + 地名词典查找。已知实体高精度，新实体零覆盖。
HMM。 隐马尔可夫模型。给定标签的token发射概率，标签间转移概率。Viterbi解码。在标注数据上训练。
CRF。 条件随机场。像HMM但判别式，所以你可以混合任意特征（词形、大写、邻近词）。2026年低资源部署仍是的经典生产工作马。
BiLSTM-CRF。 神经特征代替手工特征。LSTM双向读取句子，CRF层在顶部强制一致的标签序列。
基于Transformer。 用token分类头微调BERT。最佳准确率。最多计算。

构建它

步骤 1：BIO标注辅助函数

def spans_to_bio(tokens, spans):
    labels = ["O"] * len(tokens)
    for start, end, label in spans:
        labels[start] = f"B-{label}"
        for i in range(start + 1, end):
            labels[i] = f"I-{label}"
    return labels


def bio_to_spans(tokens, labels):
    spans = []
    current = None
    for i, label in enumerate(labels):
        if label.startswith("B-"):
            if current:
                spans.append(current)
            current = (i, i + 1, label[2:])
        elif label.startswith("I-") and current and current[2] == label[2:]:
            current = (current[0], i + 1, current[2])
        else:
            if current:
                spans.append(current)
                current = None
    if current:
        spans.append(current)
    return spans

>>> tokens = ["Apple", "sued", "Google", "over", "iPhone", "sales", "."]
>>> labels = ["B-ORG", "O", "B-ORG", "O", "B-PRODUCT", "O", "O"]
>>> bio_to_spans(tokens, labels)
[(0, 1, 'ORG'), (2, 3, 'ORG'), (4, 5, 'PRODUCT')]

步骤 2：手工特征

对于经典（非神经）NER，特征是关键。有用的特征：

def token_features(token, prev_token, next_token):
    return {
        "lower": token.lower(),
        "is_upper": token.isupper(),
        "is_title": token.istitle(),
        "has_digit": any(c.isdigit() for c in token),
        "suffix_3": token[-3:].lower(),
        "shape": word_shape(token),
        "prev_lower": prev_token.lower() if prev_token else "<BOS>",
        "next_lower": next_token.lower() if next_token else "<EOS>",
    }


def word_shape(word):
    out = []
    for c in word:
        if c.isupper():
            out.append("X")
        elif c.islower():
            out.append("x")
        elif c.isdigit():
            out.append("d")
        else:
            out.append(c)
    return "".join(out)

word_shape("iPhone") 返回 xXxxxx。word_shape("USA-2024") 返回 XXX-dddd。大写模式对专有名词是高信号。

步骤 3：简单基于规则+字典的基线

ORG_GAZETTEER = {"Apple", "Google", "Microsoft", "OpenAI", "Meta", "Amazon", "Netflix"}
GPE_GAZETTEER = {"US", "USA", "UK", "India", "Germany", "France"}
PRODUCT_GAZETTEER = {"iPhone", "Android", "Windows", "ChatGPT", "Claude"}


def rule_based_ner(tokens):
    labels = []
    for token in tokens:
        if token in ORG_GAZETTEER:
            labels.append("B-ORG")
        elif token in GPE_GAZETTEER:
            labels.append("B-GPE")
        elif token in PRODUCT_GAZETTEER:
            labels.append("B-PRODUCT")
        else:
            labels.append("O")
    return labels

生产地名词典有数百万条目，从Wikipedia和DBpedia抓取。覆盖良好。消歧（公司Apple vs 水果Apple）很糟。这就是统计模型获胜的原因。

步骤 4：CRF步骤（概要，非完整实现）

50行从零实现完整CRF没有概率论基础不够清晰。使用 sklearn-crfsuite：

import sklearn_crfsuite

def to_features(tokens):
    out = []
    for i, tok in enumerate(tokens):
        prev = tokens[i - 1] if i > 0 else ""
        nxt = tokens[i + 1] if i + 1 < len(tokens) else ""
        out.append({
            "word.lower()": tok.lower(),
            "word.isupper()": tok.isupper(),
            "word.istitle()": tok.istitle(),
            "word.isdigit()": tok.isdigit(),
            "word.suffix3": tok[-3:].lower(),
            "word.shape": word_shape(tok),
            "prev.word.lower()": prev.lower(),
            "next.word.lower()": nxt.lower(),
            "BOS": i == 0,
            "EOS": i == len(tokens) - 1,
        })
    return out


crf = sklearn_crfsuite.CRF(algorithm="lbfgs", c1=0.1, c2=0.1, max_iterations=100, all_possible_transitions=True)
X_train = [to_features(s) for s in sentences_tokenized]
crf.fit(X_train, bio_labels_train)

c1 和 c2 是L1和L2正则化。all_possible_transitions=True 让模型学习非法序列（如 O 后的 I-ORG）不太可能，这就是CRF如何在不写约束的情况下强制BIO一致性。

步骤 5：BiLSTM-CRF添加了什么

特征变成学习到的。输入：token嵌入（GloVe或fastText）。LSTM从左到右和从右到左读取。拼接的隐藏状态通过CRF输出层。CRF仍然强制标签序列一致性；LSTM用学习到的特征替代手工特征。

import torch
import torch.nn as nn


class BiLSTM_CRF_Head(nn.Module):
    def __init__(self, vocab_size, embed_dim, hidden_dim, n_labels):
        super().__init__()
        self.embed = nn.Embedding(vocab_size, embed_dim)
        self.lstm = nn.LSTM(embed_dim, hidden_dim, bidirectional=True, batch_first=True)
        self.fc = nn.Linear(hidden_dim * 2, n_labels)

    def forward(self, token_ids):
        e = self.embed(token_ids)
        h, _ = self.lstm(e)
        emissions = self.fc(h)
        return emissions

对于CRF层，使用 torchcrf.CRF（pip install pytorch-crf）。相比手工CRF的提升可测量但比你预期的小，除非你有数万标注句子。

使用它

spaCy开箱即用提供生产级NER。

import spacy

nlp = spacy.load("en_core_web_sm")
doc = nlp("Apple sued Google over its iPhone search deal in the US.")
for ent in doc.ents:
    print(f"{ent.text:20s} {ent.label_}")

Apple                ORG
Google               ORG
iPhone               ORG
US                   GPE

注意 iPhone 被标为 ORG 而非 PRODUCT — spaCy小模型的产品实体覆盖较弱。大模型（en_core_web_lg）更好。Transformer模型（en_core_web_trf）更好。

Hugging Face的BERT NER：

from transformers import pipeline

ner = pipeline("ner", model="dslim/bert-base-NER", aggregation_strategy="simple")
print(ner("Apple sued Google over its iPhone in the US."))

[{'entity_group': 'ORG', 'word': 'Apple', ...},
 {'entity_group': 'ORG', 'word': 'Google', ...},
 {'entity_group': 'MISC', 'word': 'iPhone', ...},
 {'entity_group': 'LOC', 'word': 'US', ...}]

aggregation_strategy="simple" 将连续的B-X、I-X token合并为跨度。没有它，你得到token级标签需要自己合并。

基于LLM的NER（2026年选项）

零样本和少样本LLM NER现在在许多领域与微调模型竞争，在标注数据稀缺时显著更好。

零样本提示。 给LLM一个实体类型列表和示例schema。要求JSON输出。开箱即用；新领域准确率中等。
ZeroTuneBio风格提示。 将任务分解为候选提取 → 含义解释 → 判断 → 复查。多阶段提示（非一次）在生物医学NER上大幅提升准确率。同样模式适用于法律、金融和科学领域。
带RAG的动态提示。 每次推理调用从小的标注种子集中检索最相似的标注样本；动态构建少样本提示。2026年基准中，这比静态提示提升GPT-4生物医学NER F1 11-12%。
按实体类型分解。 对于长文档，一次提取所有实体类型的单次调用随长度增加丢失召回率。每种实体类型运行一次提取。推理成本更高，准确率显著更高。这是临床笔记和法律合同的标准模式。

2026年生产建议：在收集训练数据之前，从LLM零样本基线开始。通常F1足够好，你永远不需要微调。

经典NER仍然赢在哪里

即使有LLM，经典NER在以下情况赢：

延迟预算低于50ms。
你有数千标注样本且需要98%+ F1。
领域有稳定本体，预训练CRF或BiLSTM迁移良好。
监管约束要求本地部署、非生成式模型。

哪里会出问题

域偏移。 在CoNLL上训练的NER在法律合同上表现比地名词典差。在你的领域上微调。
嵌套实体。 “Bank of America Tower” 同时是ORG和FACILITY。标准BIO不能表示重叠跨度。你需要嵌套NER（多遍或基于跨度的模型）。
长实体。 “United States Federal Deposit Insurance Corporation.” token级模型有时会拆分这个。使用 aggregation_strategy 或后处理。
稀疏类型。 医疗NER标签如DRUG_BRAND、ADVERSE_EVENT、DOSE。通用模型毫无概念。Scispacy和BioBERT是那里的起点。

交付它

将结果保存为 outputs/skill-ner-picker.md。

练习

简单。 实现 bio_to_spans（spans_to_bio的逆）并在10个句子上验证往返一致性。
中等。 在CoNLL-2003英语NER数据集上训练sklearn-crfsuite CRF。使用 seqeval 报告每实体F1。典型结果：约84 F1。
困难。 在领域特定NER数据集（医疗、法律或金融）上微调 distilbert-base-cased。与spaCy小模型比较。记录数据泄漏检查并写下让你惊讶的地方。

关键术语

术语	通俗说法	实际含义
NER	提取名字	用类型（PERSON、ORG、GPE、DATE等）标注token跨度。
BIO	标注方案	`B-X` 开始，`I-X` 继续，`O` 外部。
BILOU	更好的BIO	添加 `L-X`（最后）、`U-X`（单位）用于更清晰的边界。
CRF	结构化分类器	建模标签间转移，不仅仅是发射。强制有效序列。
嵌套NER	重叠实体	一个跨度是另一个子跨度的不同实体。BIO不能表达。
实体级F1	正确的NER指标	预测跨度必须完全匹配真实跨度。token级F1高估准确率。