能否使用NER识别文本中的特定信息？是否有更适配的技术方案？

关于NER是否能完成你的需求 #

• 示例1的主题识别需求完全可以通过自定义NER实现：你只需要新增一类TOPIC实体标签，标注对应语料后训练基础NER模型即可达到预期效果。
• 示例2的参数-占比组合识别无法仅靠原生NER直接完成：原生NER的能力边界是识别文本中不同类型的实体片段，只会给对应文本span打实体类型标签，本身不具备实体关联能力，最多能帮你分别标出所有PARAMETER类实体和PERCENTAGE类实体，无法直接输出两者的绑定组合。
  如果一定要基于NER实现该需求，你可以在NER输出两类实体的基础上，新增轻量的规则匹配或短距离关系判断逻辑，把语义对应的参数和占比绑定，也能拿到你要的组合结果，但这种方案在句式复杂、实体距离远的场景下准确率会下降。

更适配该场景的技术方案 #

你可以根据自己的业务场景选择更合适的方案：

• 如果业务文本句式固定度高：优先用正则+规则匹配实现，无需训练模型，维护成本低、准确率可控，适配结构化程度高的文本场景。
• 如果业务文本句式多变、规则覆盖成本高：优先选择关系抽取方案，你可以把任务定义为抽取<参数, 占比对应, 百分比>类型的三元组，微调轻量预训练模型（比如BERT-base）即可实现，小样本标注就能拿到比NER加后处理更高的准确率，也不需要维护大量规则。
  如果同时需要实现主题识别和参数占比抽取两个需求，也可以采用多任务学习框架，让单个模型同时完成实体抽取和关系抽取任务，端到端输出你需要的所有结果。

内容的提问来源于stack exchange，提问作者Tiago Bachiega de Almeida