一种全新易用的基于词间关系的命名实体识别（ner）统一模型，刷新了14种数据集并达到新的最佳表现（sota）。这篇论文名为《unified named entity recognition as word-word relation classification》，已被aaai2022收录，详细内容可通过链接https://arxiv.org/pdf/2112.10070.pdf查看。
NER任务通常分为三种类型：平面NER（flat NER）、重叠NER（overlapped NER）和不连续NER（discontinuous NER）。近期的研究致力于通过一个统一的大模型来同时解决这三种问题。现有的最佳方法主要基于span-based和seq2seq的方法，但span-based方法需要枚举所有可能的span组合，存在时间复杂度问题；而seq2seq方法则容易产生错误传播。
因此，本文提出了一种新颖的框架，通过预测词与词之间的关系（称之为W2NER）来解决所有NER问题。词间关系主要分为三种：下一邻居词关系（NNW）、尾部-头部词关系（THW-*）和无关系（NONE）。为了解决图的稀疏性问题，文章采用了一个多粒度的二维图来表示词间关系。
模型由三个主要模块组成：
编码层（Encoder Layer）：通过BERT获取表示信息，然后通过LSTM获取上下文信息。
卷积层（Convolution Layer）：包含一个条件层归一化（CLN）层，用于获得词j在词i前提下的表示。接着是BERT风格的网格表示层，通过BERT的三个嵌入层获得信息表示、关系位置信息表示和位置域表示，并通过MLP融合。最后通过多粒度的空洞卷积（Multi-Granularity Dilated Convolution）采样不同的信息。
共同预测层（Co-Predictor Layer）：使用一个普通的MLP和一个用于变长标签预测的biaffine预测器，最后通过softmax层输出结果。
解码层（Decoder Layer）通过NNW和THW-*构建实体环，如图所示：
实验结果显示，该模型在14个公开数据集（包括中文和英文）上都取得了最佳表现，成为最新的SoTA。具体实验结果如下：
英文平面数据集：
中文平面数据集：
乾坤圈新媒体矩阵管家
新媒体账号、门店矩阵智能管理系统
17 查看详情 
英文重叠数据集：
中文重叠数据集，F1性能：
英文不连续数据集：
与前沿最佳论文对比：
消融实验显示，F1性能：
训练速度和推理速度也得到了极大提升：
总的来说，这篇文章提出了一个简单有效的NER新框架，具有较高的应用价值和潜力。
以上就是一种全新易用的基于Word-Word关系的NER统一模型，刷新了14种数据集并达到新SoTA的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/468939.html
微信扫一扫 
支付宝扫一扫 
![Win10与Ubuntu 18.04双系统安装。（Win10引导Linux）[通俗易懂]](https://www.chuangxiangniao.com/wp-content/uploads/2025/10/175254039529565.jpg)
![Win10与Ubuntu 18.04双系统安装。（Win10引导Linux）[通俗易懂]](https://www.chuangxiangniao.com/wp-content/uploads/2025/10/175254039878675.jpg)
![Win10与Ubuntu 18.04双系统安装。（Win10引导Linux）[通俗易懂]](https://www.chuangxiangniao.com/wp-content/uploads/2025/10/175254039840102.jpg)
![Win10与Ubuntu 18.04双系统安装。（Win10引导Linux）[通俗易懂]](https://www.chuangxiangniao.com/wp-content/uploads/2025/10/175254040055572.jpg)
