ML.NET 可通过文本分类和命名实体识别（NER）提取人名和地名。实现步骤包括安装必要的包、准备预训练模型、定义数据结构、构建 ML 管道并进行预测。尽管 ML.NET 在 NER 生态中不如 Python 库丰富，但适合于已有 .NET 技术栈的轻量集成场景。

该研究提出了U-MNER框架，以解决乌尔都语多模态命名实体识别数据集不足的问题，并发布了Twitter2015-乌尔都语数据集。通过结合Urdu-BERT和ResNet，模型在该数据集上表现优异，为低资源语言的MNER研究奠定了基础。

该研究探讨了群体枪击事件中关键信息提取的不足，并提出利用命名实体识别技术获取知识的数据集。研究表明，GPT-4o模型在提取关键实体方面表现最佳，对法律和调查工作具有重要影响。

本研究比较了1900至1950年间中文文献中大型语言模型（LLMs）与传统自然语言处理工具在词语分割、词性标注和命名实体识别方面的表现。结果表明，LLMs在精度上优于传统方法，但计算成本较高，反映了精度与效率之间的权衡。

本研究提出了KoGNER框架，通过知识图谱蒸馏，解决了命名实体识别模型在特定领域的泛化和数据稀疏性问题，显著提升了识别准确率。

本研究提出EX-Claim模型，旨在自动化识别需核查的主张。该模型利用命名实体识别和实体链接技术，显著提升了27种语言的检测能力，尤其在知识转移方面表现优异。

本文提出了一种基于双向LSTM/CRF的模型，解决了不同语言命名实体识别中的模型依赖性问题。该模型通过正交线性变换将目标语言的词嵌入转化为源语言的词嵌入，有效识别阿拉伯语命名实体。

本文介绍了Python在自然语言处理中的应用，重点是命名实体识别和情感分析。通过实践教学，读者将学习如何在Google Colab中应用这些技术，并探讨其在大数据时代的重要性。

本研究评估了生成性人工智能模型在尼泊尔语命名实体识别中的表现，探讨了低资源环境下的挑战与机遇，为自然语言处理领域提供了重要贡献。

本研究探讨了跨语言IPA对比学习在低资源语言零样本命名实体识别中的应用。通过减少相似语音特征语言间的IPA差距，提出的CONLIPA数据集和IPAC方法显著提升了识别性能，展示了其应用潜力。

本研究通过使用大型语言模型生成合成临床文本，解决了因隐私风险导致的数据集不足问题。训练的命名实体识别模型显示出与依赖原始数据训练的模型性能相近，仅有小幅下降。

本研究针对历史文本中的实体链接挑战，特别是在音乐领域，提出了音乐遗产命名实体识别、分类和链接（MHERCL）新基准，并开发了一种结合知识图谱的无监督实体链接模型，显著提升了历史文献的实体链接性能。

本研究提出了一种轻量级的基于区间的命名实体识别方法SeNER，采用双向箭头注意机制和LogN缩放技术来有效处理长文本，并引入双向滑动窗口和形态注意机制，显著减少冗余候选区间。该方法在三个长NER数据集上表现优异。

本研究提出了一种多语言命名实体识别（NER）模型，专注于印地语、孟加拉语和马拉地语。经过训练和微调，该模型实现了92.11的F1分数，有效降低了三种语言之间的实体不一致性。

本研究提出了FewTopNER框架，通过结合小样本命名实体识别与主题感知上下文建模，显著提升了跨语言和低资源场景中的识别准确性。