摘要
在本文中，我们提出了一种新颖的二分平面图网络（Bipartite Flat-Graph Network, BiFlaG）用于嵌套命名实体识别（Nested Named Entity Recognition, NER），该网络包含两个子图模块：一个平面NER模块用于识别最外层实体，一个图模块用于识别所有位于内层的实体。双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）和图卷积网络（Graph Convolutional Network, GCN）被采用以联合学习平面实体及其内部依赖关系。与以往仅考虑从最内层到最外层（或从外到内）的信息单向传递的模型不同，我们的模型能够有效捕捉它们之间的双向交互。我们首先使用平面NER模块识别出的实体构建实体图，然后将其输入到下一个图模块中。从图模块中学到的更丰富的表示包含了内部实体的依赖关系，可以用来改进最外层实体的预测。在三个标准嵌套NER数据集上的实验结果表明，我们的BiFlaG模型优于之前的最先进模型。