摘要

命名实体识别（NER）是自然语言处理中研究最为深入的任务之一。然而，大多数方法无法处理在许多应用中常见的嵌套结构。本文介绍了一种新颖的神经网络架构，该架构首先将标记和/或实体合并为形成嵌套结构的实体，然后独立地标记每个实体。与以往的工作不同，我们的合并和标记方法预测的是实值而非离散的分段结构，这使得它能够在保持可微性的前提下结合词嵌入和嵌套实体嵌入。我们在ACE 2005语料库上评估了我们的方法，其F1分数达到了74.6，进一步通过上下文嵌入（如BERT）提升至82.4，相比在同一数据集上训练的先前方法整体提高了近8个F1分数点。此外，我们将该方法与BiLSTM-CRFs进行了对比，后者是处理平面NER结构的主要方法，结果表明其预测嵌套结构的能力并不会影响在简单情况下的性能。