我正在从文档（pdf文件）中提取命名实体。每个pdf文件包含一组实体（近16种不同类型的实体）
以下是我构建NLP和ML模型的步骤：
Step 1: 解析文档。获得了近200万个标记（单词）。使用这些单词和CBOW方法构建了word2vec模型。Step 2: 使用word2vec模型，为文档中的单词生成向量。Step 3: 根据领域，标记了用于训练、验证和测试的单词（向量）。Step 4: 使用标记数据，训练神经网络模型。Step 5: 一旦模型构建完成，将测试数据（单词）输入模型。获得了85%的准确率。
到目前为止，一切进展顺利。但下一步出现了问题。:(
Step 6: 现在我想从经过训练模型分类出的单词中生成带有置信度得分的实体。
神经网络模型使用SOFTMAX来分类输入。从该模型中获得每个单词的得分。
但我的问题是，我的实体至少包含3个单词。我如何计算生成实体的置信度得分呢？
目前我使用的是P(entity) = P(w1)*P(w2)*(w3)，如果实体有三个单词的话。
请帮助我。这种方法并非总是合理。
假设，如果模型只预测了实体中的两个单词，那么实体的置信度将是P(entity) = P(w1)*P(w2)。
如果模型只预测了实体中的一个单词，那么P(entity) = P(w1)。:(
回答：
为什么不使用P(entity) = P(w1)+P(w2)+P(w3)？如果你需要一个归一化的数值（0-1），并且假设P(w)的范围是0-1，可以这样做：P(entity) = (P(w1)+P(w2)+P(w3)) / 3
为了获得更好的得分，你应该计算每个单词的信息含量。常见单词应该贡献较少：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-6-S1-S21
