制定斯坦福Ner CRF培训数据的惯例

Question

我必须制作一个好的基于NER CRF的模型。我的目标是一个庞大的域名，我所针对的课程总数不是17个。我还制作了一套很好的功能集（austen.prop），通过大量实验可以为我工作。 NER没有产生好的结果。我需要知道 NER 的限制，这是基于训练数据大小等的CRF。

我经常搜索，但到目前为止，我无法找到制作训练数据时应遵循的惯例。

（注意：我完全知道如何制作模型并使用它，我只需要知道是否有任何约定，每个目标类的某些百分比应该存在等等。）

如果有人可以指导我，我会感谢你。

Answer 1

对于英语，标准的训练数据集是CoNLL 2003，它有4个类别（ORG，PERSON，LOCATION，MISC）的15,000个标记句子。