| 名称 | 来源 | 说明 | 状态 | 备注 |
|---|---|---|---|---|
| 综述 | NULL | NULL | NULL | NULL |
| 《A Survey on Deep Learning for Named Entity Recognition》 | arXiv2020 | NER综述： 1 INTRODUCTION； 2 BACKGROUND； 3 DEEP LEARNING TECHNIQUES FOR NER； 4 APPLIED DEEP LEARNING FOR NER； 5 CHALLENGES AND FUTURE DIRECTIONS； 6 CONCLUSION； |
done | NULL |
| CRF相关 | NULL | NULL | NULL | NULL |
| 《Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data》 | NULL | 余凯论文引用的CRF（将势函数，用转移矩阵代替） | done | NULL |
| 《Bidirectional LSTM-CRF Models for Sequence Tagging》 | Arxiv2015 | 余凯经典的BiLSTM+CRF，其中CRF没做特别的介绍，使用之前论文中提到的方法（将势函数，用转移矩阵替代） | done | NULL |
| 《Neural Architectures for Named Entity Recognition》 | NAACL2016 | 引用了余凯的论文，创新点： 1输入从word变成char； 2 双向lstm特征抽取后，融合了词典特征； |
done | NULL |
| 晶格网络/词表信息融合 | NULL | NULL | NULL | NULL |
| 《Chinese NER Using Lattice LSTM》 | ACL2018 | 晶格网络NER | done | NULL |
| 《Simplify the Usage of Lexicon in Chinese NER》 | ACL2020 | 融合词表信息： 垂直方向将词表信息融合给原始query； |
done | 复旦-黄萱菁作品 |
| 《FLAT: Chinese NER Using Flat-Lattice Transformer》 | ACL2020 | 融合词表信息： 1.词表直接拼接到query上 2.增加位置编码信息 |
NULL | 复旦-黄萱菁作品 |
| 《Learning Named Entity Tagger using Domain-Specific Dictionary》 | Arxiv2018 | AutoNER： 利用了带类别信息的词表和没类别信息的词表（分词信息） |
done | NULL |
| 实体Typing | NULL | NULL | NULL | NULL |
| 《Neural Architectures for Fine-grained Entity Type Classification》 | ACL2017 | 实体Typing： 融合手动特征； 融合层次信息； |
done | NULL |
| 《An attentive fine-grained entity typing model with latent type representation》 | ACL2019 | 实体Typing： context和mention都经过attention处理； 引入类别隐藏表示，并融入到预测中； |
done | NULL |
| 《Hierarchical Entity Typing via Multi-level Learning to Rank》 | ACL2020 | 实体Typing： 核心是引入了层次信息； 也使用了类别信息的隐式表示； |
done | NULL |
| 嵌套命名实体 | NULL | NULL | NULL | NULL |
| 《Deep Exhaustive Model for Nested Named Entity Recognition》 | ACL2018 | 嵌套命名实体识别： 窗口内完全遍历，然后分类； 感觉训练应该比较慢，遍历分类的设计会导致batch训练降低速度； 没有使用CRF层，但没特别说明原因； |
done | NULL |
| 《A Boundary-aware Neural Model for Nested Named Entity Recognition》 | ACL2019 | 嵌套命名实体识别： 先边界识别，再类别判断（多任务联合训练）； 感觉训练应该比较慢，分类的设计会导致batch训练降低速度； CRF层引入效果反而降低，但论文中只有实验结果，没有原因； |
done | NULL |
| NULL | NULL | NULL | NULL | NULL |
| 《TENER: Adapting Transformer Encoder for Named Entity Recognition》 | NULL | Transformer位置编码实现调整 | NULL | NULL |
| 《Joint Learning of Named Entity Recognition and Entity Linking》 | ACL2019 | 实体识别与实体链接 | NULL | NULL |
| 《Multilingual Named Entity Recognition Using Pretrained Embeddings, Attention Mechanism and NCRF》 | ACL2019 | 基于BERT的NER(实体消歧) | done | NULL |
| 《Hierarchically-Refined Label Attention Network for Sequence Labeling》 | NULL | 用LAN替代CRF，提升解码速度 | NULL | NULL |
| 《Fast and Accurate Entity Recognition with Iterated Dilated Convolutions》 | EMNLP2017 | 基于空洞卷积的NER识别 | done | NULL |
| NULL | NULL | NULL | NULL | NULL |
| NULL | NULL | NULL | NULL | NULL |