Key points are not available for this paper at this time.
La reconnaissance d'entités nommées (REN) est la tâche d'identifier les mentions de désignateurs rigides dans un texte appartenant à des types sémantiques prédéfinis tels que personne, lieu, organisation, etc. La REN sert toujours de fondation pour de nombreuses applications de traitement du langage naturel telles que le question-réponse, le résumé de texte et la traduction automatique. Les premiers systèmes de REN ont connu un grand succès en atteignant de bonnes performances grâce à l'ingénierie humaine dans la conception de caractéristiques et de règles spécifiques au domaine. Ces dernières années, l'apprentissage profond, soutenu par des représentations vectorielles réelles continues et une composition sémantique à travers un traitement non linéaire, a été employé dans les systèmes REN, donnant des performances à la pointe de la technologie. Dans cet article, nous fournissons une revue complète des techniques d'apprentissage profond existantes pour la REN. Nous présentons d'abord les ressources de REN, y compris les corpus de REN étiquetés et les outils de REN disponibles. Ensuite, nous catégorisons systématiquement les travaux existants en fonction d'une taxonomie selon trois axes : représentations distribuées pour l'entrée, encodeur de contexte et décodeur d'étiquettes. Ensuite, nous examinons les méthodes les plus représentatives pour les techniques récentes d'apprentissage profond dans de nouveaux contextes et applications de REN. Enfin, nous présentons aux lecteurs les défis auxquels sont confrontés les systèmes REN et esquissons les futures directions dans ce domaine.
Li et al. (Mar,) ont étudié cette question.