面向命名实体识别的边界平滑方法

神经命名实体识别（NER）模型容易遭遇过置信问题，从而降低性能与校准质量。受标签平滑启发，并源于 NER 工程中标边界标注的歧义性，我们提出边界平滑作为一种面向基于片段的神经 NER 模型的正则化技术。它将实体概率从标注片段重新分配给周边片段。基于一个简单但强大的基线，我们的模型在八个知名 NER 基准上取得了优于或可与先前最优系统相媲美的结果。进一步的实证分析表明，边界平滑有效缓解了过置信，改善了模型校准，并带来更平坦的神经极小值与更平滑的损失曲面。