Unified Named Entity Recognition as Word-Word Relation Classification

Unified Named Entity Recognition as Word-Word Relation Classification

Reference

原论文 ：https://arxiv.org/pdf/2112.10070.pdf
作者代码 ：https://github.com/ljynlp/W2NER
知乎：https://zhuanlan.zhihu.com/p/481220074
知乎：https://zhuanlan.zhihu.com/p/462853984

一、 NER任务类型

命名实体识别（NER）（也称为实体识别、实体分块和实体提取）是信息提取的一个子任务，旨在将文本中的命名实体定位并分类为预先定义的类别，如人员、组织、位置、时间表达式、数量、货币值、百分比等。

在命名实体识别的任务中，我们命名实体识别的关系分为:

1. Flat（扁平）
2. overlapped,（嵌套）
3. discontinuous（不连续）

在下图1中，aching In legs 为我们展示的扁平（flat）的实体识别。Aching in shoulders 和 aching In legs 同用一个谓语动词结构，仅仅为宾语不同，这样的结构为不连续（discontinuous）的命名实体识别。那么最后一种嵌套式的命名实体识别极为Shoulders和legs共用一个Aching in 的结构，所以Aching in shoulders 和 aching In legs 构成一个嵌套式的命名实体识别任务。

NHW/THW-S介绍：

1. NNW：下一个相邻词。
2. THW-：头尾token，头尾产生联系，并且和类型关联。

二、 NER方法

如何通过一个大一统模型一次性解决这三种问题。目前的最佳的方法基本都是基于span-based和seq2seq的，然而span-based方法主要倾向于通过枚举所有span组合来解决边界问题，时间复杂度上是个问题；而后者大家都知道，存在错误传播。命名实体识别（NER）主要涉及三种类型，包括扁平、重叠（又称嵌套）和不连续的NER，这些类型大多是单独研究的。最近，人们对统一NER越来越感兴趣，用一个模型同时处理上述三个工作。目前表现最好的方法主要包括基于跨度的模型和序列到序列的模型，不幸的是前者只关注边界识别，而后者可能会受到曝光偏差的影响。在这项工作中，提出了一种新的替代方法，通过将统一的NER建模为词-词关系分类，即W2NER。该体系结构通过有效地建模实体词与下一个相邻词（NNW）和尾部词-（THW-）关系之间的相邻关系，解决了统一NER的核心瓶颈。基于W2NER方案，我们开发了一个神经框架，其中统一的NER被建模为二维单词对网格。然后，我们提出多粒度二维卷积来更好地细化网格表示。

三、 研究现状介绍

NER的方法可以粗略地分为四个主要类别

• 序列标记
  1. 大部分的初始工作将NER形式化为一个序列标签问题（Lample等人，201 6；Zheng等人，2019；Tang等人，2018；Strakova´等人，2019），给每个标记分配一个标签。
• 基于超图的方法
  1. 基于超图的模型被提出（Lu和Roth 2015；Wang和Lu 2018；Katiyar和Cardie 2018）来代表所有的实体跨度，然而在inference过程中，这些模型同时存在虚假结构和结构模糊的问题
• 序列到序列的方法
  1. an等人（2021）提出了一个序列到序列（Seq2Seq）的模型来直接生成各种实体，不幸的是，它可能会受到去编码效率问题和Seq2Seq架构的某些常见缺陷的影响，例如，暴露偏差。
• 基于跨度的方法
  1. 另一种用于统一NER的最先进（SoTA）方法，列举了所有可能的跨度并进行跨度级分类。然而，基于跨度的模型可能受到最大跨度的限制，并且由于枚举的性质，导致了相当大的模型复