什么是命名实体？NER 在 NLP 任务中有何用处？

命名实体是文本中具有特定意义的专有对象（人、地、组织、日期等）。NER 自动识别并分类这些跨度，是知识图谱构建、智能搜索、文档结构化与合规审查的关键前置步骤。

一、先给出结论和背景

• 命名实体（Named Entity）：文本中指代特定对象、事件或数量的短语，如「苹果公司」「2024 年」「北京市」。
• NER 任务：给定文本，输出实体边界（span）+ 类型标签。常用 BIO 标注：B-PER 实体开始、I-PER 内部、O 非实体。

二、拆开关键步骤和判断点

• 实体类型：- 通用：PER（人）、ORG（机构）、LOC（地点）、DATE、MONEY
• 领域定制：药品名、产品型号、法律条款（需自定义 schema）
• 方法：- 规则 + 词典（高精确、低召回）
• CRF / BiLSTM-CRF
• BERT + 线性层（当前主流）
• LLM 提示抽取（灵活但需校验）

三、补上落地边界和取舍

• 应用价值：1. 知识图谱：关系抽取 的前置

2. 搜索增强：实体链接提升 query 理解
3. 金融/医疗合规：自动标出当事人、药物、诊断
4. 简历/合同解析：结构化字段入库
   详见 信息抽取。

延伸阅读：信息抽取与 NER。术语：BERT、关系抽取、知识图谱。