用于嵌套命名实体识别的多层神经网络模型[NAACL 2018]阅读笔记

论文题目：A Neural Layered Model for Nested Named Entity Recognition
论文出处：NAACL 2018
论文地址：https://www.aclweb.org/anthology/N18-1131

论文概要

相比于传统的单层级的NER任务（flat NER），在实际业务中会出现实体嵌套的情况，对应为嵌套NER任务（nested NER）。
下图是一个嵌套实体的实例：

这篇论文给出了一种可以实现嵌套实体识别的end to end 的解决方案。

模型pipeline

首先直接附上模型结构图：

模型结构很清晰，自底向上，从细粒度实体识别到粗粒度实体识别。每一层级的NER模型都是经典的bilstm+CRF。

这里简要记录下具体实现的几个细节：

1. word representation
   
   基于lstm提取字符表示后与词向量进行级联，得到最终的单词表示。

2.layerd NER

具体堆叠NER的实现细节，对于底层NER层识别出的实体，对实体内的特征向量求平均后作为下一层NER的输入，也就是将上一层识别出的实体作为一个token，一个整体来看待。如果上一层没有识别出实体（也就是‘O’标签），则直接将其特征向量输出作为下一层的输入。
对最底层来讲，特征向量就是上文提到的级联后的word representation，对后面的NER来说，特征向量是上一层LSTM的输出，如模型结构图所示。

实验结果

评测数据集：

实验结果：
这里不详细记录了，详见论文。

论文总结

1. 论文提供了进行嵌套NER识别的端到端的解决方案。
2. 论文针对的是从inside 到 outside的识别方案，即先识别细粒度实体，再识别粗粒度实体。