命名实体识别

在命名实体识别（NER）任务中，'B-name' 和 'I-name' 是 序列标注标签，用于标记文本中的实体及其边界。它们的含义如下：

基本概念

• B-name（Begin-name）：

  • 表示一个实体的开始（第一个词或字）。
  • 例如："张" 在 "张三" 中可能被标记为 B-PER（人名实体的开头）。

• I-name（Inside-name）：

  • 表示一个实体的中间或结尾部分（非首词或字）。
  • 例如："三" 在 "张三" 中可能被标记为 I-PER（人名实体的后续部分）。

• O（Outside）：

  • 表示不属于任何实体的普通词或字。

标签格式

• 通用格式为 [B/I]-[实体类型]，其中 实体类型 可以是：
  • PER（人名）、LOC（地点）、ORG（组织）、TIME（时间）等。
• 示例：
  • 句子："马云在阿里巴巴工作"
  • 标签：["B-PER", "I-PER", "O", "B-ORG", "I-ORG", "O"]
    • "马云" → B-PER, I-PER
    • "阿里巴巴" → B-ORG, I-ORG
    • "在", "工作" → O

为什么需要 B/I 标签？

• 解决多词实体：
  许多实体由多个词组成（如人名 "哈利·波特"），需要用 B 和 I 区分起始和后续部分。
• 明确实体边界：
  避免模型将相邻的两个同名实体错误合并（如 "北京北京饭店" 中的 "北京" 和 "北京饭店" 是不同实体）。

在 NER 任务中的应用

• 模型训练：
  序列标注模型（如 BERT-CRF）需要预测每个词/字的 B/I/O 标签。
• 评估指标：
  使用 seqeval 等工具计算指标时，必须严格匹配 B/I 标签（仅当类型和边界都正确时才算预测正确）。

示例代码

from seqeval.metrics import classification_report

true_labels = [['B-PER', 'I-PER', 'O', 'B-ORG']]
pred_labels = [['B-PER', 'O', 'O', 'B-ORG']]

print(classification_report(true_labels, pred_labels))

输出会显示精确率、召回率等指标，并反映 B/I 标签的匹配情况。