在實體抽取中，我們提供了中英文模型進行選擇，中文也提供了兩個不同的模型。如果您不知道選哪個，可以選擇LSTM-CRF 進行嘗試，兼顧了運行效率和最終結果。以下是模型的說明，您可以根據自己的具體場景，選擇一個更適合的模型。

• 中文BiLSTM+CRF

  • 同時編碼字/詞信息的BiLSTM+CRF 模型，模型結構簡單，訓練速度快，更適合樣本數據量大、標簽種類較多的場景。

• 中文Tiny-StructBERT

  • StructBERT 是阿里達摩院自研的語言模型，Tiny模型是在大規模語料下蒸餾后的StructBERT 模型，最大程度上保留了StructBERT 的性能，且提升速度。該模型模型結構相對復雜，適合小樣本數據集，可以收獲更高的準確率。

• 中文StructBert

  • 基于阿里自研的Struct BERT，從大量無標注語料進行預訓練的模型并且蒸餾后的模型，適合標注語料不足的中文任務。針對實體重疊問題進行了優化。建議一般用戶選擇該類模型。

• 英文實體抽取模型

  • 同時編碼char/word 信息的BiLSTM+CRF 模型，能夠快速獲取較高的準確率。

• 更多維度對比

• 模型	性能	效果	是否支持重疊實體	說明
  中文BiLSTM-CRF	很快		不支持
  中文Tiny-StructBERT	很快		不支持
  中文StructBert	較快	較好	支持	優先推薦使用
  中文StructBert-CRF	較慢	較好	支持	適用于數據量較小場景，請設置epoch>10
  中文StructBert-CRF（高性能版）【推薦】	較快	較好	不支持	適用于標簽依賴較強數據
  英文實體抽取	很快		不支持