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(shù)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(shù)據集基于清華大學開源的文本分類數(shù)據集THUCTC[2]，選出部分進行細粒度命名實體標注。原數(shù)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(xiàn)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(shù)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(xiàn)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(xiàn)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(shù)據集，

　　http://thuctc.thunlp.org/

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