本文主要介绍了一种基于神经网络的命名实体识别系统 NeuroNER，并附上了安装、下载的项目地址，希望对自然语言处理感兴趣的同学有所帮助。
NeuroNER 下载项目地址：https://github.com/Franck-Dernoncourt/NeuroNER
什么是命名实体识别（NER）？
NER 旨在识别文本中的有趣实体，例如位置、组织和时序表达。识别实体可被用于各种下游应用，比如病历去识别化（de-identification）和信息提取系统，也可作为其他自然语言处理任务机器学习系统的特征。
NeuroNER 能做什么？
NeuroNER 是一个能完成 NER 任务的项目：
NeuroNER 相比于已由的 NER 系统，能提供以下优势：
- 利用神经网络的顶尖预测能力（也就是深度学习）
- 让用户能够创造新的语料库或修改已有语料库
- 它是跨平台的、开源的、免费直接使用的
如何使用 NeuroNER?
下图对 NeuroNER 的功能做出了简要介绍，具体描述如下：
- 训练神经网络完成 NER 任务。在训练的过程中，NeuroNER 允许监控网络。
- 评估 NeuroNER 所做预测的质量。表现标准可通过预测标签与金色标签的对比来计算、标绘。如果测试集与训练和验证集同时提供，评估也可在训练的同时完成，或者在训练后分开完成，或者使用预训练模型。
- 部署 NeuroNER 作为产品使用：NeuroNER 标记了部署集，也就是没有金色标签的新文本。
NeuroNER 引擎如何工作？
NeuroNER 引擎基于人工神经网络，特别是依赖一种循环神经网络的变体 LSTM。NER 引擎的人工神经网络包含三层：
- 字符增强的 token 嵌入（Character-enhanced token-embedding）层
- 标签预测层
- 标签序列优化层
下图展现了 NeuroNER 引擎中用到的人工神经网络的架构：
如何安装 NeuroNER
GitHub 上的 repository 解释了安装指南，以下视频展示了使用安装脚本在 Ubuntu 上进行安装有多么简单：脚本会安装你所需的所有东西，然后在 CoNLL-2003 数据集上进行训练。在数个训练 epoch 之后，模型获得了顶尖的成果。
原文链接：http://neuroner.com/
