命名实体识别（Named Entity Recognition，简称NER），又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。
该篇面向的更多是开始做命名实体识别的小白，推荐几篇对NER介绍非常详细的文章
流水的NLP铁打的NER：命名实体识别实践与探索
命名实体识别的一点经验
简介
最开始接触知识图谱的时候可能更多理解的是概念，对实战没有很多认识，之后慢慢有开始学习知识图谱的构建。认识到其实命名实体识别本质是多分类任务（定义好实体类别后，对每个字词进行分类），具体的分类基于标签体系（常见的标签体系有IO,BIO,BMEWO,BMWEO+），一般标签体系越复杂，准确性越高。
做命名实体识别时，网上找了大量资源，但最初的学习效果并不好，看了很多内容还是不知道真正该怎么做。直到b站看到一个视频TensorFlow：BERT框架项目实战，其中一节内容是医学糖尿病数据命名实体识别，详细介绍了code和模型，让我收获很多。具体资源可以在自然语言处理实战项目（基于深度学习）找到，唐宇迪老师讲的真的很清晰透彻！之前很多东西都是跟着老师视频学的（PS：b站有很多视频，因为直接买课程的话会比较贵）。
于是乎找到NER的code后拿来开始跑，但其中碰到了许多问题，最终解决后想把整个过程记录下来，感兴趣的uu可以一起学习呀~
项目资源
来自唐宇迪老师的项目资源 NLP通用框架BERT
可以直接在百度网盘下载
链接: https://pan.baidu.com/s/13SrM1V08eeVeFfgRbqWe_w 提取码: uphm
项目文件
用的是tensorflow，主要是keras做
- data
– test_data.data
– train_data.data - model
– config.pkl
– crf.h5 - train.py（主函数）
- bilsm_crf_model.py（LSTM+CRF模型）
- process_data.py（数据处理函数）
- val.py（预测函数）
代码运行过程中的问题
环境配置
TensorFlow 1.14.0 + Keras 2.2.5 on Python 3.6.
我用的IDE是Pycharm，用的是anaconda下新建的环境（也可以用已有的编译器，但是相关库的版本对应问题可能不太好解决，对于NER任务的话，主要是python、tensorflow、keras版本）
1、对于版本对应问题，可以看这篇文章 tensorflow + python + keras 版本对应关系
2、对于pycharm中配置anaconda，可以看这篇文章 Anaconda+pycharm+tensorflow安装和环境配置（win10）
- cmd输入conda create --name ner python=3.6创建一个环境，ner是环境名，名字起什么都可以，这里选择的是python3.6
- 输入conda info --envs看我们现有的环境（ner是否创建成功）
- 输入activate ner激活环境
- 输入pip install命令安装相应版本的tensorflow和keras
- pycharm中新建project项目，选择interpreter时选anaconda下的python.exe
3、需要下载CRF相关库，这里直接根据 keras-contrib : Keras community contributions 进行即可，命令“pip install git+https://www.github.com/keras-team/keras-contrib.git”
这里需要注意要提前下载git，直接pip install会报错，需要用conda install git
报错及解决方法
1、TypeErmor: Tensors in list passed to ‘values’ of ‘ConcatV2’ 0p have types [bool，float32] that don’t all match.
解决方法：将mask_zero=True删除 ，因为只有第一次运行会报这个错误，之后再运行就不会了，所以第一次可以删除后再恢复
2、importEPror: Failed to impont 'pydot '. Please install 'pydot '. For example with 'pip install pydot .
解决方法：
conda install graphviz
conda install pydotplus
pip install pydot
3、AttributeError: ‘str’ object has no attribute 'deco
找到对应文件，例如下图中所示的就是saving.py文件
找到所有的decode相关代码，将decode改为encode即可，例如：
将query = query.decode(errors=‘replace’)改成query = query.encode(errors=‘replace’)