靖待的技术博客
·
命名实体识别（NER）论文泛读
💡
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文总结了NER任务的最新技术，包括SpanBert、Global Pointer、A Unified MRC Framework、Named Entity Recognition as Dependency Parsing和Boundary Enhanced Neural SpanClassification，它们分别使用MRC思想、双仿射模型和边界增强神经跨度分类模型来解决flat和nested NER问题，以及降低推理时间复杂度。
🎯
关键要点
- 本文总结了NER任务的最新技术，包括SpanBert、Global Pointer等。
- SpanBert使用MRC思想，将NER任务转换为MRC任务，能够同时解决flat和nested NER问题。
- Global Pointer提出了一种高效的基于跨度的方法来进行命名实体识别。
- Named Entity Recognition as Dependency Parsing提出用双仿射模型替代CRF进行分类。
- Boundary Enhanced Neural SpanClassification结合边界检测任务，增强了嵌套命名实体识别的效果。
- 边界增强模型通过多任务学习框架联合训练，提高了跨度表示的准确性，并降低了推理时间复杂度。
➡️
