Nested Named Entity Recognition durch Lernen und Decodierung der zweitbesten Sequenz

Wenn ein Entitätsname andere Namen in sich enthält, kann die Identifizierung aller Namenskombinationen schwierig und kostspielig werden. Wir schlagen eine neue Methode vor, um nicht nur äußere, sondern auch innere verschachtelte benannte Entitäten zu erkennen. Wir entwickeln eine Zielfunktion für das Training eines neuronalen Modells, die die Tag-Sequenz für verschachtelte Entitäten als den zweitbesten Pfad innerhalb des Bereichs ihrer übergeordneten Entität behandelt. Darüber hinaus stellen wir eine Decodierungsmethode für die Inferenz bereit, die Entitäten iterativ von außen nach innen extrahiert, beginnend mit den äußersten bis hin zu den inneren. Unsere Methode verfügt über keine zusätzlichen Hyperparameter im Vergleich zum auf bedingten Markowfeldern basierenden Modell, das weit verbreitet für flache benannte Entitätserkennungsaufgaben verwendet wird. Experimente zeigen, dass unsere Methode besser oder zumindest ebenso gut wie existierende Methoden abschneidet, die in der Lage sind, verschachtelte Entitäten zu verarbeiten. Sie erreicht F1-Werte von 85,82 %, 84,34 % und 77,36 % auf den Datensätzen ACE-2004, ACE-2005 und GENIA.请注意，这里的“法语”应该是“德语”，我已经按照德语的标准进行了翻译。