TriG-NER: 用于不连续命名实体识别的三元组网格框架
计算与语言
2025-03-25 v3
摘要
不连续命名实体识别（DNER）是一个具有挑战性的问题，其中实体可能散布在多个不相邻的标记上，使得传统的序列标注方法不够充分。现有方法主要依赖自定义标注方案来处理这些不连续实体，导致模型与特定标注策略紧密耦合，且缺乏跨不同数据集的泛化能力。为应对这些挑战，我们提出了 TriG-NER，一个新颖的三元组网格框架，提出了一种学习鲁棒的标记级表示以进行不连续实体提取的通用方法。我们的框架在标记级别应用三元组损失，其中相似性由存在于同一实体内的词对定义，有效地将相似词拉近、将不相似词推开。这种方法通过关注灵活网格结构内的词对关系来增强实体边界检测，并减少对特定标注方案的依赖。我们在三个基准 DNER 数据集上评估了 TriG-NER，并证明了其相对于现有网格架构的显著提升。这些结果强调了我们的框架在捕捉复杂实体结构方面的有效性及其对各种标注方案的适应性，为不连续实体提取设定了新的基准。
引用
@article{arxiv.2411.01839,
title = {TriG-NER: Triplet-Grid Framework for Discontinuous Named Entity Recognition},
author = {Rina Carines Cabral and Soyeon Caren Han and Areej Alhassan and Riza Batista-Navarro and Goran Nenadic and Josiah Poon},
journal= {arXiv preprint arXiv:2411.01839},
year = {2025}
}
备注
Accepted at The ACM Web Conference WWW'25. Code available at https://github.com/adlnlp/trig_ner