CRENER：面向中文命名实体识别的字符关系增强模型

中文命名实体识别是信息抽取中的重要任务，对下游应用具有重要影响。由于中文缺乏天然分隔符，先前的NER方法大多依赖外部词典来丰富中文词语的语义和边界信息，但此类方法可能引入噪声，影响命名实体识别的准确率。为此，本文提出一种字符关系增强的中文NER模型(CRENER)。该模型定义四种反映字符之间关系的标签类型，基于字符之间的相邻关系、字符与标签之间的关系以及标签之间的关系，对字符之间的关系进行细粒度建模，以更准确地识别实体边界并提高中文NER的准确率。具体而言，将中文NER任务转化为字符-字符关系分类任务，通过联合建模关系标签来确保实体边界识别的准确性。为增强模型理解上下文信息的能力，WRENER进一步构建了结合无尺度方向感知和距离感知掩码自注意力机制的适配变换器编码器。此外，还构建了关系表示增强模块，用于建模预定义的关系标签，有效挖掘字符与标签之间的关系表示。在在四个著名的中文NER基准数据集上进行的实验表明，所提模型优于最先进的基线方法。消融实验也证明了所提模型的有效性。