命名实体识别(NER)在自然语言处理中是一个最困难的任务,它在一些语言处理的应用中充当了关键作用,如信息提取、文本分类等。之前已经有很多基于命名实体识别的研究,现在中文命名实体识别研究也开始被重视。中文和英文语料存在很大的差别,中文词语之间没有空格作为词之间的分隔标记,这使得中文命名实体识别成为一个比英文命名实体识别更加艰巨的任务。在之前的研究中很多方法被试用,而条件随机域CRF模型取得了一个很好的效果。在之前很多研究条件随机域的工作中,大多数集中在CRF特征模板的选取,他们使用了复杂的CRF模板,这其中耗费了大量的系统内存,并需要很长的时间来处理训练数据。在本文中,我们侧重于提高中文命名实体识别系统的效率。我们建立了两步的基于CRF模型的中文命名实体识别系统。第一步,我们使用CRF模型去识别中文命名实体,在使用了改进的标注集以后,可以使这一步骤的效率更高。第二个步,我们使用一些后处理方法来提高准确性。后处理方法包括TBL和基于规则的方法。通过对比实验,我们发现简单模板Tempfate-3和五种标注标注集的搭配比Template-5和四种标注标注集的搭配可以得到一个更高的准确率(P值),虽然系统召回率(R值)比Template-5和四种标注的标注集要低,但是系统的总体情况F值显示在识别结果上两种模板效果相近。但是从资源占用上可以看到,Template-3和五种标注的标注集占用了更少的系统资源和使用了更少的训练时间。由此可知,当你使用一个简单的CRF特征模板时,只要你能找到一个与之相匹配的标注集,系统同样可以得到跟使用复杂特征模板时取得相近的效果,同时你还节省了不少系统资源。而我们的系统获得的F值是91.94,且我们的系统使用较少的系统资源。文章最后分析了产生这种实验结果的原因,并给出了对日后工作的展望。