该研究介绍了SemEval-2023 Task 2的发现，该任务聚焦于12种语言的复杂名词实体识别方法，包括单语和多语境以及噪声情况下的实现。MultiCoNER 2是SemEval-2023中最受欢迎的任务之一，发现了媒体标题和产品名称是最具挑战性的实体类型，并提出了融入外部知识到transformer模型的方法以实现最佳表现。嘈杂的数据对模型性能有重要影响，未来研究需要关注嘈杂数据中复杂实体的NER鲁棒性。