摘要

命名实体识别（NER）是自然语言处理中的一个基本任务。近期的研究将命名实体识别视为阅读理解任务，通过手动构建类型特定的查询来提取实体。然而，这种范式存在三个问题。首先，类型特定的查询每次推理只能提取一种类型的实体，效率较低。其次，不同类型的实体提取过程相互独立，忽略了它们之间的依赖关系。第三，查询构建依赖外部知识，在现实场景中难以应用于包含数百种实体类型的情况。为了解决这些问题，我们提出了一种并行实例查询网络（PIQN），该网络设置全局且可学习的实例查询，以并行方式从句子中提取实体。每个实例查询预测一个实体，并通过同时输入所有实例查询，可以并行查询所有实体。实例查询不是从外部知识构建的，而是在训练过程中学习其不同的查询语义。在模型训练方面，我们将标签分配视为一个一对多的线性指派问题（LAP），并动态地将金标准实体分配给实例查询，以最小化分配成本。在嵌套和扁平命名实体识别数据集上的实验表明，我们提出的方法优于之前的最先进模型。