在NLP中，命名实体识别（Named Entity Recognization，NER）是一个非常重要的任务，比如信息抽取中，NER是第一步，首先识别出文本中的命名实体。在问答系统中，尤其是任务导向的问答或KBQA的第一步是就是命名实体识别，识别出实体在做下一步的槽填充。

命名实体是什么？
NER主流的算法是什么？
NER的metric是怎么定义的？

NER任务中的语料有哪些？
NER任务语料

NER的baseline模型：bilstm-cr算法原理是什么?
序列标注之Bi-LSTM-CRF

• 当使用基于Bert的bilstm-crf模型时，存在文本序列与标签序列不对应的问题，TODO.

命名实体中的metrics问题：
http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/

基于BERT的实体识别

参考github：

• CLUENER 细粒度命名实体识别
• Chinese NER using Bert 基于pytorch介绍了bert+crf，bert+softmax，bert+span三种模型，数据集是bmes和cluener2020的数据集

NER的metrics

实体识别模型的效果是如何评估的，precision，recall是如何定义的？
http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/

bert-bilstm-crf模型的训练