[论文笔记]ACL2021 Locate and Label: A Two-stage Identifier fo Nested Named Entity Recognition_two-stage indentifier for nest entity recongnition-优快云博客

本文链接：https://blog.youkuaiyun.com/beihai2013/article/details/122889009

本文介绍了一种解决嵌套实体识别问题的两阶段方法，结合边界回归和片段分类。第一阶段通过过滤器和回归器定位实体，第二阶段对边界打标签。模型利用IoU优化样本处理，并采用BiLSTM和span-level表示增强词表示。训练目标包括多个损失函数的加权和，最后通过Soft-NMS提取实体。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2022/2/10 ACL2021 Locate and Label: A Two-stage Identifier fo Nested Named Entity Recognition
懒得粘图了，参考我的知乎https://zhuanlan.zhihu.com/p/466385935
1 摘要&介绍
当前的NER任务只能应对flat实体，不能应对嵌套（nested）实体。而能应对嵌套实体的模型，也有着高额计算指出、忽略边界信息、文段（span）利用率低的问题。
针对以上困难，文章提出了一个2阶段（two-stage）实体识别器：
①定位实体。具体来说，第一阶段由过滤器和回归器组成。过滤器将种子文段（seed spans）风格成文字文段和span proposal，然后过滤出候选文段（span candicate）。回归器通过调整span proposal的边界来提高候选文段的质量。
②给边界打标签。使用实体分类器给span proposal打标签。
论文的思路借鉴了对象发现（Object Detection）中关于嵌套实体的做法，至于两者为什么相同，见右图，并给出了几个原因：①两者都需要确定ROI（region of interest，感兴趣区域）的位置，并在对应区域上使用策略。
文章的创新点：
将NER看作一个边界回归和片段分类的联合任务。
充分李永乐边界信息来精确定位实体，甚至使用了span级的损失函数。
基于IoU弹性的处理样本数据，而不是简单的把部分匹配的span当做噪音样本。
2 Model
模型步骤
通过encoder得到词表示，然后生成种子sp