Text 命名实体作为文本分类中的一项功能？ 在现有的文本分类（监督）技术中，为什么我们不考虑文本中的命名实体（NE）作为训练和测试的一个特征？您认为使用网元作为功能可以提高精度吗？

这在很大程度上取决于您工作的领域。您必须根据域定义功能。比如说，在搜索引擎中，你正在学习排名问题，生成一个动态排名，在这里，NE不会给你任何好处。这在很大程度上取决于您正在工作的领域以及定义的输出分类标签（监督学习）

现在假设您正在对足球、电影或政治等相关文档进行分类。在这种情况下，命名实体可以工作。我在这里给你举个例子，假设你正在使用一个神经网络，将文件分类为足球、电影、政治等。现在假设一份文件出现在“莱昂内尔·梅西应邀出席“社交网络”的首映式，包括杰西·艾森伯格、安德鲁·加菲尔德和贾斯汀·汀布莱克在内的演员和剧组成员也在场”在这里，命名实体（输入特征）和电影（输出定义）之间的联系将更加紧密，因此它将被归类为电影文档

另一个例子，假设我们的文档是“汤姆·克鲁斯在电影《最后一场足球赛》中扮演莱昂内尔·梅西的角色”“这样做的好处是，你的神经网络已经知道，当一个演员和一个足球运动员在一份文件中出现时，很有可能是一部电影。同样，这取决于数据和培训，也可能是相反的（但这就是学习的全部内容；查看过去的数据）

---

所以我的答案是试试看，没有人阻止你把实体命名为特征。这可能对您正在工作的领域有所帮助。

请举例说明您想说的内容。我的意思是，对于我将要培训和测试的每个文档，如果我将网元数（PERS=x，LOC=y，ORG=z）与普通文本（文档）一起用作特征，是否会提高准确性分类功能？嘿，非常感谢你的回答。这在某种程度上增强了我的能量：）是的，我专注于一个领域，正如你所说的，这个领域相当狭窄，比如棒球、足球。我担心的是，即使在传统的基于术语频率（TF）的文本（文档）分类中，我们不是隐式地使用NEs吗？因为我们使用术语，然后NEs是术语？这是另一种传统方法：即无监督（聚类）学习，它们使用LSI来降低特征向量的维数。你看这里有没有一种合并NER的方法？