提议-精炼：一种用于嵌套命名实体识别的两阶段集合预测网络
计算与语言
2022-09-07 v2
摘要
嵌套命名实体识别（嵌套 NER）是自然语言处理中的一项基础任务。各种基于片段的方法已被提出，利用片段表征来检测嵌套实体。然而，基于片段的方法没有考虑片段与其他实体或短语之间的关系，而这种关系在 NER 任务中是有帮助的。此外，由于片段枚举长度有限，基于片段的方法难以预测长实体。为了缓解这些问题，我们提出了提议-精炼网络（PnRNet），这是一种用于嵌套 NER 的两阶段集合预测网络。在提议阶段，我们使用基于片段的预测器生成一些粗略的实体预测作为实体提议。在精炼阶段，提议之间相互交互，并将更丰富的上下文信息融入提议表征中。精炼后的提议表征被用于重新预测实体边界和类别。通过这种方式，可以消除粗略提议中的错误，并且边界预测不再受片段枚举长度限制的约束。此外，我们构建了多尺度句子表征，它比词元级表征能更好地建模句子的层次结构，并提供更丰富的上下文信息。实验表明，PnRNet 在四个嵌套 NER 数据集和一个扁平 NER 数据集上均取得了最先进的性能。
引用
@article{arxiv.2204.12732,
title = {Propose-and-Refine: A Two-Stage Set Prediction Network for Nested Named Entity Recognition},
author = {Shuhui Wu and Yongliang Shen and Zeqi Tan and Weiming Lu},
journal= {arXiv preprint arXiv:2204.12732},
year = {2022}
}
备注
Accepted to IJCAI-2022, camera ready version