在自然语言处理中,命名实体识别是许多任务的上游,它为诸如信息检索、智能对话和阅读理解等任务打下了根基。虽然近年来深度学习模型在实体识别这个任务上的进展表明,该任务似乎已经不是一个难点,但是由于深度学习模型对大规模标注数据的依赖导致了命名实体识别任务也通常需要海量数据才能有好的效果。这种缺陷在许多场景下会成为一个致命的缺点,比如在医疗领域,由于隐私保护的原因,我们很难获取到大规模的标注数据。本文针对存在的以上问题,从数据干预的角度做了以下工作:1.本文从因果科学的角度发明了一种反事实样本生成器,该方法能够只对少量观测样本中的实体和上下文进行解耦、重组和判别来自动生成大量的反事实样本,这些样本可用作命名实体识别模型最终的训练。2.本文对现有的词典增强的命名实体识别模型的训练流程进行了抽象,开发了一个高度解耦的开源框架,用户可以基于该框架进行快速实验,或者是添加新的数据集、词典和模型。3.基于上述框架,本文提出了对现有的词典增强模型进行了一系列的经验分析,主要探讨了词典能否进一步提升预训练语言模型在抽取实体上的表现,以及词典的词汇构成与模型性能之间的关系。本文通过实验证明本文的反事实生成器在少量标注数据的情况下能够大幅度提升实体识别的性能,在标注数据只有上百条的情况下能够平均提升5%以上的F1值。此外,本文在一系列基于词典增强的命名实体识别模型上的经验分析表明,词典在大部分情况下都特别有效,尤其是基准性能较差的时候。本文也发现一个好的词典应该包含一个好的预训练词嵌入,以及尽可能多的同时出现在训练集和测试集中的实体。