3. 产业链实体识别：实体定义与NER技术

好，咱们进入第三章。这一章聊的是产业链建模里最基础、也最磨人的一步——实体识别。

说白了，你得先知道产业链里到底有哪些“东西”。企业、产品、原材料，这三类是最核心的实体。我刚开始做产业链分析时，以为这不就是抽几个关键词嘛。结果一上手才发现，光“产品”和“原材料”的边界就能吵半天。

3.1 实体定义：企业、产品、原材料

先给个明确的定义，不然后面建模全是糊涂账。

实体类型	定义	举例
企业	从事生产、流通或服务的独立法人	宁德时代、特斯拉、巴斯夫
产品	企业生产的、可交易的最终或中间物品	磷酸铁锂电池、Model Y、聚丙烯
原材料	用于生产产品的初级或次级物料	锂矿、镍、玉米、铁矿石

这里有个坑，我踩过好几次。比如“锂电池”算产品还是原材料？

我的经验是：看它在当前产业链中的位置。对电池厂来说，锂电池是产品；对整车厂来说，它就是原材料。所以实体定义不能死板，得结合上下文。

3.2 命名实体识别（NER）技术

定义清楚了，接下来就是怎么从文本里把这些实体捞出来。这就是NER的活儿。

NER，全称Named Entity Recognition。我习惯把它分成三步：

1. 边界识别——这个词从哪开始、到哪结束
2. 类型分类——它是企业、产品还是原材料
3. 消歧——同名不同义的情况处理

举个例子，文本里出现“苹果”。

• 如果是“苹果公司发布了新手机”，那“苹果”是企业
• 如果是“苹果的价格上涨了”，那“苹果”是原材料（农产品）

你看，同一个词，上下文不同，实体类型完全不同。这就是NER的难点。

3.3 基于规则 vs 基于模型的方法

做NER，主流就两条路：规则驱动和模型驱动。我两种都用过，各有各的脾气。

3.3.1 基于规则的方法

规则法，说白了就是写一堆正则表达式和词典。

# 一个简单的规则示例
import re

def extract_company(text):
    # 匹配“XX有限公司”、“XX集团”等模式
    pattern = r'[\u4e00-\u9fa5]+(有限公司|集团|股份|有限合伙)'
    return re.findall(pattern, text)

优点：

• 速度快，不用训练
• 可解释性强，出错了能直接改规则
• 对特定领域（比如化工、医药）很精准

缺点：

• 维护成本高，规则多了就是一团乱麻
• 泛化能力差，换个领域规则基本废掉

3.3.2 基于模型的方法

模型法，主流是BiLSTM-CRF或者BERT系列。

# 伪代码示意：BERT + CRF
from transformers import BertTokenizer, BertForTokenClassification

tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForTokenClassification.from_pretrained(
    'bert-base-chinese', 
    num_labels=5  # 实体类型数
)

优点：

• 泛化能力强，见过类似模式就能识别
• 准确率高，尤其是BERT出来后，F1值轻松上90%

缺点：

• 需要大量标注数据
• 训练和推理成本高
• 黑盒，出错了不好排查

3.4 两种方法对比

我整理了一张对比表，你一看就明白：

维度	基于规则	基于模型
开发速度	快（几天）	慢（几周）
准确率	中（70-80%）	高（90%+）
召回率	低（50-60%）	高（85%+）
维护成本	高（规则膨胀）	低（重训即可）
可解释性	强	弱
适用场景	小规模、领域固定	大规模、多领域

我个人习惯的做法是：规则打底，模型精调。先用规则快速覆盖常见实体，保证不出大错；然后用模型去补漏，提升召回率。

3.5 知识体系图

下面这张图，把本章的核心逻辑串起来了：

嗯，这张图把实体定义、NER技术、方法对比串起来了。你顺着箭头看，就是一套完整的识别流程。

3.6 避坑指南

最后，分享几个我踩过的坑：

• 别把实体类型定死——同一个词在不同上下文里类型会变，留好扩展接口
• 规则别写太细——我见过有人写了3000条规则，最后自己都维护不了。够用就行
• 模型别盲目上——数据量不够时，模型效果还不如规则。先跑基线
• 别忘了消歧——同名实体是产业链NER里最大的坑，没有之一