一种面向各类 NER 子任务的统一生成框架
计算与语言
2021-06-03 v1
摘要
命名实体识别(NER)是识别句子中代表实体的片段的任务。无论实体片段是嵌套还是不连续的,NER 任务都可归类为扁平 NER、嵌套 NER 与不连续 NER 子任务。这些子任务主要通过词元级序列标注或片段级分类来解决。然而,这些方案难以同时处理三类 NER 子任务。为此,我们提议将 NER 子任务表述为实体片段序列生成任务,可由统一的序列到序列(Seq2Seq)框架解决。基于我们的统一框架,我们可利用预训练的 Seq2Seq 模型解决全部三类 NER 子任务,而无需专门设计标注模式或片段枚举方式。我们采用三类实体表示将实体线性化为序列。我们提出的框架易于实现,并在八个英文 NER 数据集上取得了最优(state-of-the-art, SoTA)或接近 SoTA 的性能,包括两个扁平 NER 数据集、三个嵌套 NER 数据集与三个不连续 NER 数据集。
引用
@article{arxiv.2106.01223,
title = {A Unified Generative Framework for Various NER Subtasks},
author = {Hang Yan and Tao Gui and Junqi Dai and Qipeng Guo and Zheng Zhang and Xipeng Qiu},
journal= {arXiv preprint arXiv:2106.01223},
year = {2021}
}
备注
Accepted in the main conference of ACL-IJCNLP 2021