2021AAAI | 嵌套命名实体识别

Nested Named Entity Recognition with Partially-Observed TreeCRFs

(作者: 英国爱丁堡大学和阿里巴巴)

传统的序列标记的方法已经不适合用来识别嵌套实体。在这篇文章中,作者使用了partially-observed TreeCRFs(PO-TreeCRFs),将标记的实体跨度看作树中的可见节点,将其他的看作潜在节点,与其他实体部分重叠的就reject(因为嵌套实体是完全嵌套的,不会部分重叠)。为了提高速度,作者还用了Masked Inside算法来提高速度(一些相关的就是1,无关的就是0)。然后用了一个归一为均值为0,方差为1的经验分布,用一个很小值代替0的两种正则化方法,使得nested NER在3个嵌套数据集上性能都有所提升。

 

嵌套实体的几个相关工作

hypergraph-based(基于超图的)

设计一个超图表示所有可能的嵌套结构。但是这个图需要精心设计避免结构虚假和结构歧义。这会导致结构构建和计算复杂。

transiton-based(基于转换的)

与shift-reduce pasers相似,对于不同形式的词设计不同的动作。通过shift/reduce/unary这些动作来处理不同的实体(A Neural Transition-based Model for Nested Mention Recognition)。或者是合并tokens and/or entities到实体中。这些方法依赖于特定的转换系统,需要领域专家,不够一般化。

span-based(基于跨度的)

计算所有的序列的跨度表示,并给出一个分数,从这些跨度中分类出可能的实体跨度。这些方法有局部依赖性。

其他的

有gap-based tagging(Labeling Gaps Between Words: Recognizing Overlapping Mentions with Mention Separators

有sequence-to-nuggets结构方法的(Sequence-to-Nuggets: Nested Entity Mention Detection via AnchorRegion Networks

有sequence-to-sequence结构方法的(Neural Architectures for Nested NER through Linearization

还有当成阅读理解来做的(A Unifified MRC Framework for Named Entity Recognition

 

结构与模型

TreeCRFs局限于O(n^{3})时间复杂度,但现在有并行计算和高效率的张量优化库,可以把时间复杂度降到O(n^{2})甚至O(nlogn)(如果是2分类就可以达到O(nlogn)。

用Biaffine计算实体跨度得分

(还不是要计算跨度分数,Named Entity Recognition as Dependency Parsing也是用这个biaffine来计算跨度评分的,他的思想很简单,容易理解。而且得到的性能还更高。Biaffine的具体思想我还不明白,有时间再去仔细研究一下

跨度评分计算方法如下:

Enc(·)表示预训练编码(文章用的BERT和),FF(·)表示前馈网络。e_{i}表示每个词x_{i}的嵌入表示。U_{k}^{(1)},U_{k}^{(2)},b_{k}是biaffine评分机制的参数。s_{ijk}是区间跨度分数。每个词x_{i}都有标签k属于可见节点的那几个标签和隐藏节点的那几个标签。

Partially-Observed TreeCRFs(PO-TreeCRFs)

对每个句子x构造一个选区TreeCRFs树T。T表示为一个秩为3的张量,如果从词x_{i}x_{j}是一个类型为k的实体,那么T_{ijk}=1

总的来说,感觉就是做了一个计算实体跨度的分数,再加上分别考虑了对应的不同实体类别的标签。

时间复杂度的降低是因为将串行改成了并行计算。

后面再做了一个小小的正则化。

文章的突出点是构建了PO-TreeCRFs,并且做了mask使得时间复杂度降低。

(记录一下阅读的论文,仅个人理解,不知道是否有误)

最后的实验结果,懒得写了,先贴个结果上来,草草结束一下。

 

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值