摘要

在本文中，我们提出了一种名为DiffusionNER的方法，该方法将命名实体识别任务建模为边界去噪扩散过程，从而从噪声跨度生成命名实体。在训练过程中，DiffusionNER通过一个固定的前向扩散过程逐渐向黄金实体边界添加噪声，并学习一个逆向扩散过程以恢复实体边界。在推理阶段，DiffusionNER首先从标准高斯分布中随机采样一些噪声跨度，然后利用所学的逆向扩散过程对其进行去噪，生成命名实体。所提出的边界去噪扩散过程允许逐步细化和动态采样实体，赋予DiffusionNER高效且灵活的实体生成能力。在多个平面和嵌套命名实体识别数据集上的实验表明，DiffusionNER的性能与先前的最先进模型相当或甚至更优。