命名實體識別（Named Entity Recognition，NER）任務的目標是識別出文本中預定義類別的實體。作為NLP領域的重要基礎工具，其有效推動了NLP技術從實驗階段走向實用化。

　　近期，思必馳語言與知識團隊對中文細粒度命名實體識別任務進行探索，并取得階段性進展：在CLUE數據集Fine-GrainN ER評測任務[1]中，思必馳語言與知識團隊目前暫列第一。該評測數據集基于清華大學開源的文本分類數據集THUCTC[2]，選出部分進行細粒度命名實體標注。原數據來源于Sina NewsRSS[3]。這項測評是中文自然語言處理領域的大規(guī)模賽事，有眾多知名企業(yè)同臺競技。

　　中文命名實體評測中的出色表現也證明了思必馳在知識挖掘方向的實力。該技術也將應用到智慧醫(yī)療綜合應用中，包括從大量醫(yī)療文獻、病歷文本和醫(yī)患對話數據中構建醫(yī)療知識圖譜，并基于知識圖譜輔助語義理解和知識推理，實現醫(yī)療知識問答和醫(yī)療輔助決策。如智能導診、智能預問診、智能診后隨訪。

　　語言智能常被稱為人工智能皇冠上的一顆明珠。在未來，思必馳語言與知識團隊將繼續(xù)深耕語言理解領域，打造出精準、通用且能夠實現自定義的命名實體識別系統(tǒng)，推動命名實體識別在NLP各領域的落地和應用。

　　參考文獻：

　　[1]CLUE-NER公開評測，

　　https://www.cluebenchmarks.com/introduce.html

　　[2]THUCTC工具及數據集，

　　http://thuctc.thunlp.org/

　　[3]新浪網RSS頻道聚合：http://rss.sina.com.cn/