---
title: nlp_lstm_named-entity-recognition_chinese-generic
canonical_url: "https://www.modelscope.cn/models/damo/nlp_lstm_named-entity-recognition_chinese-generic"
md_url: "https://www.modelscope.cn/models/damo/nlp_lstm_named-entity-recognition_chinese-generic.md"
repository: damo/nlp_lstm_named-entity-recognition_chinese-generic
chinese_name: "LSTM命名实体识别-中文-通用领域"
last_updated: 2022-10-21
license: "Apache License 2.0"
pipeline_tag: named-entity-recognition
tasks:
  - named-entity-recognition
model_type:
  - lstm
library_name:
  - pytorch
frameworks:
  - PyTorch
language:
  - cn
domain:
  - nlp
downloads: 43247
stars: 19
tags:
  - Alibaba
  - NER
  - "信息抽取"
---

# nlp_lstm_named-entity-recognition_chinese-generic

> nlp_lstm_named-entity-recognition_chinese-generic - damo 在 ModelScope 开源的模型。本方法采用char-BiLSTM-CRF模型

damo/nlp_lstm_named-entity-recognition_chinese-generic 是 ModelScope 魔搭社区上的named-entity-recognition模型，采用 Apache License 2.0 许可。

- **Repository**: damo/nlp_lstm_named-entity-recognition_chinese-generic
- **License**: Apache License 2.0
- **Tasks**: named-entity-recognition
- **Tags**: Alibaba, NER, 信息抽取
- **Downloads**: 43247
- **Stars**: 19
- **Last updated**: 2022-10-21

Source: https://www.modelscope.cn/models/damo/nlp_lstm_named-entity-recognition_chinese-generic

---

# 模型介绍

## 模型描述
本方法采用char-BiLSTM-CRF模型，word-embedding使用[Chinese-Word-Vectors](https://github.com/Embedding/Chinese-Word-Vectors)

模型结构可参考论文：[Neural Architectures for Named Entity Recognition
](https://aclanthology.org/N16-1030.pdf)


## 期望模型使用方式以及适用范围
本模型主要用于给输入中文句子产出命名实体识别结果。用户可以自行尝试输入中文句子。具体调用方式请参考代码示例。

### 如何使用
在安装ModelScope完成之后即可使用named-entity-recognition(命名实体识别)的能力, 默认单句长度不超过512。

#### 代码范例
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

ner_pipeline = pipeline(Tasks.named_entity_recognition, 'damo/nlp_lstm_named-entity-recognition_chinese-generic')
result = ner_pipeline('新华社北京二月十一日电（记者唐虹）')

print(result)
# {'output': [{'type': 'ORG', 'start': 0, 'end': 3, 'span': '新华社'}, {'type': 'GPE', 'start': 3, 'end': 5, 'span': '北京'}, {'type': 'PER', 'start': 14, 'end': 16, 'span': '唐虹'}]}
```


### 模型局限性以及可能的偏差
本模型基于Ontonotes 4.0数据集(通用领域)上训练，在垂类领域中文文本上的NER效果会有降低，请用户自行评测后决定如何使用。

## 训练数据介绍
- [Ontonotes 4.0](https://catalog.ldc.upenn.edu/LDC2011T03) 简历领域中文命名实体识别公开数据集，包括地缘政治实体、地名、机构名、人名，共24371个句子。

| 实体类型 | 英文名 |
|----------|--------|
|  地缘政治实体   | GPE    |
| 地名     | LOC    |
| 机构名   | ORG   |
| 人名   |  PER  |


## 数据评估及结果
模型在Ontonotes 4.0测试数据评估结果:

| Dataset | Precision | Recall | F1 |
| --- | --- | --- | --- |
| Ontonotes | 69.72 | 64.22 | 66.86 |

各个类型的性能如下: 

| Dataset | Precision | Recall | F1 |
| --- | --- | --- | --- |
| GPE |71.42 | 69.44 |70.42 |
| LOC | 37.12 | 34.62| 35.83|
| ORG | 63.45 | 50.51|56.24 | 
| PER | 80.23 | 76.18| 78.15|