笔记整理 | 栾岱洋，东南大学

来源：ACL 2020

链接：https://www.aclweb.org/anthology/2020.acl-main.571.pdf

本文提出了一种可以实现重叠主体的识别的BiFlaG（bipartite flatgraph network）模型，包含两个子图模块：用于外层实体的flat NER模块以及用于所有内层实体的图模块。双向LSTM以及图卷积网络被用于联合学习flat entity以及它们的内部依赖。不同于过去的方法，本文同时考虑了内外层的双向交互，flat NER模块识别的实体首先被用于构建实体图，然后反馈到图模块，后者得到涵盖了内部实体依赖信息的强化表示学习，并用于增强外部实体的预测，在三个NER数据集上的实验结果表明，本文模型优于已有SotA方法。

本文提出的命名实体识别模型可以实现重叠主体的识别。NER可以识别出包含预定义类别的实体（如位置、组织等），Nested NER用于处理重叠主体的问题。

模型

1) 标志表示：假定给定序列长度为N，对于每一个token，我们使用词嵌入和字母嵌入表

示????$ = [????_i; ????_i]，前者表示word-level embedding，后者为character-level embedding.使用

BiLSTM捕获序列信息????_i = BiLSTM(????_i).

2) BiLSTM-CRF结构：包括一个双向LSTM编码器和条件随机场解码器。

BiLSTM获取序列的双向背景文本信息，其输出为CRF的输入，隐藏层状态为

条件随机场中使用Viterbi算法获取在解码过程中概率最大的标签序列，其评分函数为：

其中????yi,yi+1表示从????i到????i+1的转移评分，????i,yi表示标签????i对应第i个BiLSTM编码的词的评分。

图模块

使用BiGCN提取图中的特征。

算法：

实验

数据集：

GENIA 基于GENIA corpus3.02p，包含5种实体类型并切分为8.1:0.9:1的训练/验证/测试子集

ACE2005 包含7种实体类型，按8:1:1切分训练/验证/测试集

KBP2017 作者在英语评价数据集上验证了本文模型，训练集和验证集包含了之前的RichERE标注集

评价指标：

准确率及召回率和F1值

实验结果见表2

OpenKG

开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 网站。