CNN 和 RNN 在自定义 NER 中非常流行。我建议你先尝试实现 CNN，然后再实现 RNN。此外，当我进行自定义 NER 时，我发现对于我的数据集堆叠效果非常好。我使用了随机森林、XGBoost 和线性回归。

命名实体识别 (NER)是关于识别 NE 在文本中的位置。这意味着每个实例必须代表文本中的特定位置，NER 将预测该位置是否对应于 NE。目前您的数据没有以这种方式格式化，因此它不起作用也就不足为奇了：在整个文本的矢量表示中，模型找不到识别 NE 所需的指示类型。

建议你先看看主流标注器的表现。即：spacy, nltk, stanfordnlp. 检查他们在您的测试集上找到正确名称集的能力。

或者，您必须制作自己的标记器。任何 NER 标记器基本上都是一个带有处理输入文本的 RNN 或 CNN 层的分类器。输出密集层具有与可用的类一样多的节点。另一种选择是下载一些预训练模型。例如，Huggingface 的transformers库允许您下载大量基于 Transformer 的架构（如 BERT），然后您可以针对您的特定任务进行微调。

但是，构建自己的模型需要大量工作。如果你发现主流分类器做得很好，而你没有太多时间，那就去使用那些工具。祝你好运！