我将开发具有许多（100+）类的命名实体识别系统。假设它们的频率大致相等，那么哪种算法应该表现最好？根据我对CRF工作原理的理解（很遗憾，距离理想还很远），在这里应该没问题。但是在某些来源（google books）中，我发现了另一种观点。
那么，CRF是否适用于具有大量类的NER算法？
最佳答案
我们在这里谈论什么样的课程？不要害羞:)
您最好使用分层方法：
具有少量的根类，例如“产品”，“人”，“地点”。第一遍找出哪个是哪个。
然后，对于每个根类，都有子类，例如“汽车产品”，“电子产品”等。
关于machine-learning - NER的CRF有很多类(class)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/25222435/