w2ner论文精读

1.论文主题：
提出一个统一的ner方法，因为ner可以分为overlapped、discontinuious、flat，flat可能好识别一点，但是其他两者有点复杂。

目前的几种ner方法：

• 基于标签：难以找到一个适合所有子标签的标签方案，常见标签有BIO等。
• 基于超图：用图结构表示实体和实体之间的关系，但是会出现结构错误和模糊歧义
• Seq2Seq：基于前面的词生成后面的词，耗费资源而且前面错误会导致后面的生成错误
• 基于跨度：枚举所有跨度并进行分类，耗费资源。

当前工作更多关注于找到实体边界，而我们发现瓶颈是实体与实体之间的邻近关系。这种邻近关系对overlapped以及discontinuious的实体也很重要。

所以我们在实体边界识别THW中引入了相邻关系NNW。

2.模型

• Bert+LSTM：生成token
• Convolution Layer:
  生成标签表格，模仿bert的输入，加入了距离和区域（用于区分上下三角区域)信息，使用膨胀卷积捕捉远近单词之间的信息。
• Co-Predictor Layer：
  借鉴了残差连接的思想，使用两个预测器一起预测单词与单词之间的关系
• Decoder：
  进行解码,NNW与THW一起协同识别从简单到复杂的关系。
  
  
  3.论文工作
  对overlapped、discontinuious、flat在各种方法上的指标进行预测，结果本方法在大部分数据集上取得较好的效果。