BoningKnife：基于先验边界知识的联合实体提及检测与类型标注的嵌套NER方法
计算与语言
2021-07-21 v1
摘要
虽然命名实体识别（NER）是自然语言处理中的一项关键任务，但大多数方法仅针对扁平实体，忽略了在众多场景中常见的嵌套结构。现有的大多数嵌套NER方法遍历所有子序列，既耗费资源又效率低下，并且未能充分考虑对嵌套实体十分重要的边界知识。在本文中，我们提出了一种基于先验边界知识的联合实体提及检测与类型标注模型（BoningKnife），以更好地处理嵌套NER抽取与识别任务。BoningKnife由两个模块组成：MentionTagger与TypeClassifier。MentionTagger更好地利用了超越实体起始/结束位置的边界知识，以改善对嵌套层级和较长跨度的处理，同时生成高质量的提及候选。TypeClassifier利用两级注意力机制解耦不同的嵌套层级表示，并更好地区分实体类型。我们联合训练这两个共享公共表示和新双信息注意力层的模块，从而改进了表示对实体相关信息的聚焦。在不同数据集上的实验表明，我们的方法优于以往的SOTA方法，并在ACE2004、ACE2005和NNE上分别取得了86.41、85.46和94.2的F1分数。
引用
@article{arxiv.2107.09429,
title = {BoningKnife: Joint Entity Mention Detection and Typing for Nested NER via prior Boundary Knowledge},
author = {Huiqiang Jiang and Guoxin Wang and Weile Chen and Chengxi Zhang and Börje F. Karlsson},
journal= {arXiv preprint arXiv:2107.09429},
year = {2021}
}
备注
Work performed at Microsoft Research Asia between 2019/2020