GRN：门控关系网络以增强卷积神经网络用于命名实体识别

命名实体识别（NER）的主要方法大多采用复杂的递归神经网络（RNN），例如长短期记忆网络（LSTM）。然而，由于其递归性质，RNN在计算效率方面存在局限性。相比之下，卷积神经网络（CNN）可以通过其前馈架构充分利用GPU并行性。然而，使用CNN进行NER的研究较少，主要是因为CNN在捕捉序列中的长期上下文信息方面存在困难。本文提出了一种简单但有效的基于CNN的NER网络——门控关系网络（Gated Relation Network, GRN），该网络比普通CNN更能捕捉长期上下文信息。具体而言，在GRN中，我们首先使用CNN探索每个词的局部上下文特征。然后建模词之间的关系，并将其作为门来融合局部上下文特征以预测标签。无需使用按顺序处理句子的递归层，我们的GRN允许在整个句子范围内并行执行计算。在两个基准NER数据集（即CoNLL2003和Ontonotes 5.0）上的实验表明，所提出的GRN无论是否使用外部知识都能达到最先进的性能。此外，GRN在训练和测试时也具有更低的时间成本。我们已将代码公开发布在https://github.com/HuiChen24/NER-GRN。