摘要
近年来，字符-词格结构（character-word lattice structure）已被证明在中文命名实体识别（NER）任务中具有有效性，其通过融合词级信息提升了模型性能。然而，由于该格结构具有复杂且动态的特性，大多数基于格结构的现有模型难以充分利用GPU的并行计算能力，通常存在推理速度较低的问题。针对这一挑战，本文提出FLAT：一种面向中文NER的扁平化格结构Transformer模型（Flat-LAttice Transformer）。该模型将原有的格结构转换为由“跨度”（spans）构成的扁平化结构，每个跨度对应原始格结构中的一个字符或潜在词及其位置信息。借助Transformer的强大建模能力以及精心设计的位置编码机制，FLAT能够充分挖掘格结构中的语义信息，并具备优异的并行计算能力。在四个公开数据集上的实验结果表明，FLAT在性能与效率方面均优于现有的基于词典的模型。