基于相似性的辅助分类器用于命名实体识别

实体分割问题是命名实体识别（NER）任务中一个基础性挑战，其核心目标在于降低在识别实体词序列时的边界错误。尽管已有大量先进方法被提出，但当实体长度增加时，多数方法的性能均出现显著下降。受先前采用多任务学习策略解决分割问题研究的启发，本文设计了一种基于相似度的辅助分类器（Similarity-based Auxiliary Classifier, SAC），用于区分实体词与非实体词。与传统分类器不同，SAC采用向量表示标签，从而能够计算词语与标签之间的相似度，并进一步对标签向量进行加权求和，生成可作为NER任务有效特征的表示。实验结果验证了SAC结构的合理性，并展示了该模型相较于基线方法在性能提升方面的潜力。