摘要
神经命名实体识别（NER）模型可能会遇到过度自信的问题，这会降低模型的性能和校准效果。受标签平滑技术的启发，并考虑到NER工程中边界注释的模糊性，我们提出了一种针对基于片段的神经NER模型的正则化技术——边界平滑。该技术重新分配了从已标注片段到周围片段的实体概率。在简单但强大的基线模型基础上，我们的模型在八个知名的NER基准测试上取得了优于或与之前最先进系统相当的结果。进一步的经验分析表明，边界平滑有效地缓解了过度自信问题，提高了模型的校准效果，并带来了更平坦的神经最小值和更平滑的损失景观。