我的工作是计划使用 UIMA 集群来运行文档以提取命名实体等。据我了解，UIMA 打包的 NLP 组件很少。我已经测试 GATE 有一段时间了，并且对它相当满意。它在普通文本上没问题，但是当我们通过一些有代表性的测试数据运行它时，准确性会下降很多。我们内部拥有的文本数据有时全大写，有时全小写，或在同一文档中混合使用两者。即使使用 ANNIE 的全部大写规则，准确性仍然有很多不足之处。我最近听说过斯坦福 NLP 和 OpenNLP，但还没有时间对它们进行广泛的训练和测试。这两者在准确性方面与 ANNIE 相比如何？他们是否像 GATE 一样使用 UIMA？
提前致谢。
【问题讨论】：
标签： nlp stanford-nlp opennlp gate uima
不可能/不合理地对这些系统的性能进行一般估计。正如您所说，在您的测试数据上，准确性会下降。这有几个原因，一个是您的文档的语言特征，另一个是您希望看到的注释的特征。 Afaik 对于每个 NER 任务都有相似但仍然不同的注释指南。
话虽如此，关于您的问题：
ANNIE 是我能找到的唯一一个免费的基于规则的开源 Java NER 系统。它是为新闻文章而写的，我猜它是为 MUC 6 任务而调整的。这对概念证明很有用，但有点过时了。主要优点是您可以在没有任何机器学习、nlp 或一点 java 知识的情况下开始改进它。只需学习 JAPE 并试一试。
OpenNLP、Stanford NLP 等默认情况下带有新闻文章模型，并且性能（仅查看结果，从未在大型语料库上测试过）比 ANNIE 更好。比起 OpenNLP，我更喜欢 Stanford 解析器，我还是只看文档，主要是新闻文章。
在不知道您的文件是什么样子的情况下，我真的不能说更多。您应该决定您的数据是否适合规则，或者您采用机器学习方式并使用 OpenNLP 或斯坦福解析器或Illinois tagger 或其他任何东西。斯坦福解析器似乎更适合仅倾倒您的数据、训练和产生结果，而 OpenNLP 似乎更适合尝试不同的算法、使用参数等。
对于您的 GATE 与 UIMA 的争议，我尝试了这两种方法，并为 GATE 找到了更多病毒社区和更好的文档。很抱歉发表个人意见:)
【讨论】：
仅记录回答 UIMA 角度：对于斯坦福 NLP 和 OpenNLP，都可以通过 DKPro Core project 获得出色的 UIMA 分析引擎封装。
【讨论】：
我想再添加一个注释。 UIMA 和 GATE 是用于创建自然语言处理 (NLP) 应用程序的两个框架。但是，名称实体识别 (NER) 是一个基本的 NLP 组件，您可以找到独立于 UIMA 和 GATE 的 NER 实现。好消息是你通常可以在 UIMA 和 GATE 中找到一个不错的 NER 包装器。为了清楚起见，让我们看看这个例子：
斯坦福 NER 组件也是如此。
回到您的问题，本网站列出了最先进的 NER： http://www.aclweb.org/aclwiki/index.php?title=Named_Entity_Recognition_(State_of_the_art)
例如，在 MUC-7 比赛中，名为 LTG 的最佳参赛者以 93.39% 的准确率获得了结果。
http://www.aclweb.org/aclwiki/index.php?title=MUC-7_(State_of_the_art)
请注意，如果您想使用这种状态的实现，您可能会遇到他们的许可证问题。
【讨论】：