筆記整理 |?欒岱洋，東南大學

---

來源：ACL 2020

鏈接：https://www.aclweb.org/anthology/2020.acl-main.571.pdf

本文提出了一種可以實現重疊主體的識別的BiFlaG（bipartite flatgraph network）模型，包含兩個子圖模塊：用于外層實體的flat NER模塊以及用于所有內層實體的圖模塊。雙向LSTM以及圖卷積網絡被用于聯合學習flat entity以及它們的內部依賴。不同于過去的方法，本文同時考慮了內外層的雙向交互，flat NER模塊識別的實體首先被用于構建實體圖，然后反饋到圖模塊，后者得到涵蓋了內部實體依賴信息的強化表示學習，并用于增強外部實體的預測，在三個NER數據集上的實驗結果表明，本文模型優于已有SotA方法。

本文提出的命名實體識別模型可以實現重疊主體的識別。NER可以識別出包含預定義類別的實體（如位置、組織等），Nested NER用于處理重疊主體的問題。

模型

1) 標志表示：假定給定序列長度為N，對于每一個token，我們使用詞嵌入和字母嵌入表

示????$ = [????_i; ????_i]，前者表示word-level embedding，后者為character-level embedding.使用

BiLSTM捕獲序列信息????_i = BiLSTM(????_i).

2) BiLSTM-CRF結構：包括一個雙向LSTM編碼器和條件隨機場解碼器。

BiLSTM獲取序列的雙向背景文本信息，其輸出為CRF的輸入，隱藏層狀態為

條件隨機場中使用Viterbi算法獲取在解碼過程中概率最大的標簽序列，其評分函數為：

其中????yi,yi+1表示從????i到????i+1的轉移評分，????i,yi表示標簽????i對應第i個BiLSTM編碼的詞的評分。

圖模塊

使用BiGCN提取圖中的特征。

算法：

實驗

數據集：

GENIA 基于GENIA corpus3.02p，包含5種實體類型并切分為8.1:0.9:1的訓練/驗證/測試子集

ACE2005 包含7種實體類型，按8:1:1切分訓練/驗證/測試集

KBP2017 作者在英語評價數據集上驗證了本文模型，訓練集和驗證集包含了之前的RichERE標注集

評價指標：

準確率及召回率和F1值

實驗結果見表2

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 網站。

總結

以上是生活随笔為你收集整理的论文浅尝 | 用于嵌套命名实体识别的二部平面图网络(BiFlaG)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。