将统一命名实体识别作为词-词关系分类
计算与语言
2021-12-21 v1
摘要
迄今为止，命名实体识别（NER）涉及三种主要类型，包括扁平、重叠（又称嵌套）和不连续 NER，这些类型大多被单独研究。近来，针对统一 NER 的兴趣日益增长，即用单一模型同时处理上述三项任务。当前性能最佳的方法主要包括基于跨度（span-based）和序列到序列（sequence-to-sequence）的模型，遗憾的是前者仅关注边界识别，而后者可能受暴露偏差（exposure bias）影响。在本工作中，我们提出一种新颖的替代方案，将统一 NER 建模为词-词关系分类，即 W^2NER。该架构通过以 Next-Neighboring-Word（NNW）和 Tail-Head-Word-*（THW-*）关系有效建模实体词之间的相邻关系，解决了统一 NER 的核心瓶颈。基于 W^2NER 方案我们开发了一个神经框架，其中统一 NER 被建模为词对的二维网格。随后我们提出多粒度二维卷积以更好地精炼网格表示。最后，使用协同预测器（co-predictor）充分推理词-词关系。我们在 14 个广泛使用的基准数据集（8 个英文和 6 个中文数据集）上针对扁平、重叠和不连续 NER 进行了大量实验，我们的模型击败了所有当前性能最佳的基线，推动了统一 NER 的 SOTA 性能。
引用
@article{arxiv.2112.10070,
title = {Unified Named Entity Recognition as Word-Word Relation Classification},
author = {Jingye Li and Hao Fei and Jiang Liu and Shengqiong Wu and Meishan Zhang and Chong Teng and Donghong Ji and Fei Li},
journal= {arXiv preprint arXiv:2112.10070},
year = {2021}
}
备注
Accepted by AAAI'22