自然语言处理（NLP）中的命名实体识别（NER）是识别文本中具有特定意义的实体（如人名、地名、组织名等）的过程。NER 格式是用于表示这些实体及其在文本中的位置的标准方式。
NER 格式概述
NER 格式通常包括以下信息：
- 文本内容：原始的文本数据。
- 实体标签：每个单词或短语的标签，表示其是否为实体以及实体的类型。
以下是一个简单的 NER 格式的例子：
文本内容 | 实体标签
---------------------
John | PERSON
Doe | PERSON
lives | O
in | O
New York| LOCATION
在上面的例子中，"John Doe" 被识别为一个人名，而 "New York" 被识别为一个地点。
实体类型
NER 格式中的实体类型可以是多种多样的，以下是一些常见的实体类型：
- PERSON：人名
- ORGANIZATION：组织名
- LOCATION：地理位置
- GPE：地理政治实体（如国家、城市）
- DATE：日期
- TIME：时间
- MONEY：货币
- PERCENT：百分比
- FACILITY：设施
- EVENT：事件
- WORK_OF_ART：艺术品
- LAW：法律
- LANGUAGE：语言
- COUNTRY：国家
- STATE_OR_PROVINCE：州或省
- CITY：城市
- CAPITAL：首都
- COUNTRY_CODE：国家代码
- POST_CODE：邮政编码
- TIME_ZONE：时区
使用 NER 格式
NER 格式在自然语言处理领域有着广泛的应用，包括但不限于：
- 信息提取：从文本中提取关键信息。
- 文本摘要：生成文本的摘要。
- 机器翻译：提高机器翻译的准确性。
- 问答系统：构建智能问答系统。