最近的两篇论文使用称为 CharWNN 的深度学习架构来解决这个问题。CharWNN 最初用于在英语语料库的词性 (POS) 标记上获得最先进的结果（没有手工制作的特征）。

同一作者的第二篇论文使用相同（或相似）的架构来预测一个词是否属于 10 个命名实体类，具有明显的最新结果。

您可以考虑使用 Frantzi 等人使用的方法，而不是“具有反向传播的递归神经网络”。人。在曼彻斯特大学的国家文本挖掘中心 (NaCTeM) 的Termine（参见：this和this），它们“结合了语言和统计信息”，而不是深度神经网络。

试试这个。这有一个 Word2Vec 的实现，而不是用于 NER 和其他 NLP 任务的词袋。

以下是关于如何将词向量用于 NER 的一些想法，它采用了一种几乎无监督的以 word2vec 为中心的方法。

1. 给定一组词向量（你训练过的东西，或者像 GoogleNews-vectors-negative300.bin 这样的现成的东西），在向量空间中发现集群。这些集群基本上是您对各种未命名概念的定义。
2. 通过最少的监督，您可以映射/转换未命名的集群以匹配人类知识，从而创建基于已知词向量和未命名概念的命名概念。例如，一个方法findCluster(['joy', 'surprise', 'disgust', 'trust', 'fear', 'sadness', 'anger', 'anticipation'])可能会返回一个包含数百个主要与情感相关的单词的列表。如果您将此列表命名为“情感”，那么您就有一个基于向量空间定义的命名概念“情感”。
3. 您还可以进行矢量数学以找到两个给定概念之间的中间概念。例如，向量数学可能会告诉您，当给定两个词“惊喜”和“厌恶”时，会在两者之间找到以下内容：沮丧、惊讶、失望、惊奇、困惑、恼怒、难以置信、震惊等。这允许你建立概念之间的关系。
4. 您可以重复以上步骤来建立各种类型的命名概念，例如：工作日、所有情绪、快乐情绪、车辆等。
5. 一旦你建立了命名概念的层，你就可以在一个已经用命名概念增强的文本语料库上训练一个 RNN，所以'brown fox jumps'也是'{color} {animal} {action}'等。这样，RNN 应该能够以无人监督的方式学习一些基本语法。
6. 如果你已经从上面建立了一个足够强大的语法，那么你应该能够将它应用于你的一些 NER 任务。