S2F-NER：面向复杂实体识别的序列到森林生成探索
计算与语言
2023-10-31 v1
摘要
命名实体识别（NER）因嵌套、重叠与不连续等复杂实体而仍具挑战性。现有方法如序列到序列（Seq2Seq）生成与基于跨度的分类，已在多种 NER 子任务上展现出令人印象深刻的性能，但由于暴露偏差问题或低效计算，难以扩展到具有更长输入文本的数据集。本文提出一种新颖的序列到森林生成范式 S2F-NER，其可通过森林解码器并行而非顺序地解码多个实体，从而直接从句子中抽取实体。具体而言，我们的模型以自回归方式生成森林中每棵树各条路径，其中每棵树的最大深度为三（这是复杂 NER 的最短可行长度，且远小于 Seq2Seq 的解码长度）。基于该新颖范式，我们的模型可优雅地缓解暴露偏差问题并保持 Seq2Seq 的简洁性。实验结果表明，我们的模型在三个不连续 NER 数据集与两个嵌套 NER 数据集上显著优于基线，尤其在不连续实体识别方面。
引用
@article{arxiv.2310.18944,
title = {S2F-NER: Exploring Sequence-to-Forest Generation for Complex Entity Recognition},
author = {Yongxiu Xu and Heyan Huang and Yue Hu},
journal= {arXiv preprint arXiv:2310.18944},
year = {2023}
}