背景
命名实体识别（NER, Named Entity Recognition），是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。
关于NER的过去、现在可以参考 NER的过去、现在和未来综述-现在 NER的过去、现在和未来综述-过去
本文关于NER未来是在时间点2021以后的一些发展的点
- Few-show & zero shot。如何通过少样本，甚至零样本能够获得性能不错的模型，例如怎么引入正则表达式的模板、prompt等方式。
- Template-Based Named Entity Recognition Using BART
- 融入知识。之前在现在篇已经提到过一些，未来，随着预训练模型越来越大，如果能够将知识从中剥离，使用较小的语言模型来加速训练。然后通过另一些方式来融入知识，例如检索的方式，像DeepMind 的 RETRO 和 OpenAI 的WebGPT
- 迁移学习。这个可能有点大，怎么利用语言模型学到的知识。为什么人可以识别到其中的实体，凭借的以往经验的迁移，达到举一反三；语法信息（句式等）；特定的句式;模仿学习等。
- 解码方式。个人觉得span、分类、序列标注似乎都并没有完美，span方式没有考虑整体序列标签之间的依赖关系；而分类的话还需要考虑实体长度，实际情况中实体长度可以是任意长度的（讲道理极限情况会存在）；序列标注不能很好解决嵌套问题等。目前有一些结合的方法，例如Span 片段排列、BIO 分类，但还是有优化空间。
个人观点，仅供参考。
Reference
- Template-Based Named Entity Recognition Using BART
- Improving Language Models by Retrieving from Trillions of Tokens
- WebGPT: Browser-assisted question-answering with human feedback
- Boundary Enhanced Neural Span Classification for Nested Named Entity Recognition
- https://aclanthology.org/D19-1034/
image.png
