基于指针网络的自底向上成分句法分析与嵌套命名实体识别
计算与语言
2022-03-10 v2
摘要
成分句法分析与嵌套命名实体识别(NER)是相似的任务,因为它们都旨在预测一组嵌套且不交叉的跨度。在本文中,我们将嵌套 NER 转化为成分句法分析,并提出了一种用于自底向上分析的新颖指针机制以应对这两项任务。其关键思想基于如下观察:若以后序遍历一棵成分树(即访问完子节点后再访问父节点),则两个连续访问的跨度将共享一个边界。我们的模型跟踪共享边界,并在每一步利用指针网络预测下一个边界。因此,它仅需线性步数即可完成分析,从而高效。它还维护一个用于结构一致性的分析配置,即始终输出有效的树。在实验上,我们的模型在 PTB 上于所有基于 BERT 的模型中取得了最优性能(96.01 F1 分数),在 CTB7 的成分句法分析中取得了有竞争力的性能;并且它在三个嵌套 NER 基准数据集 ACE2004、ACE2005 和 GENIA 上也取得了强劲性能。我们的代码公开于 \url{https://github.com/sustcsonglin/pointer-net-for-nested}。
引用
@article{arxiv.2110.05419,
title = {Bottom-Up Constituency Parsing and Nested Named Entity Recognition with Pointer Networks},
author = {Songlin Yang and Kewei Tu},
journal= {arXiv preprint arXiv:2110.05419},
year = {2022}
}
备注
ACL 2022 camera ready