Bipartites Flachgraph-Netzwerk für die erfasste Namensentitätserkennung

In dieser Arbeit schlagen wir ein neues bipartites flaches Graphennetzwerk (BiFlaG) für die verschachtelte Namensentitätserkennung (NER) vor, das zwei Subgraphenmodule enthält: ein flaches NER-Modul für äußerste Entitäten und ein Graphenmodul für alle in den inneren Schichten befindlichen Entitäten. Bidirektionale LSTMs (BiLSTM) und Graphenkonvolutionsnetze (GCN) werden verwendet, um flache Entitäten und ihre inneren Abhängigkeiten gemeinsam zu lernen. Im Gegensatz zu früheren Modellen, die nur die unidirektionale Informationsübertragung von den innersten Schichten zu den äußeren (oder von außen nach innen) berücksichtigen, fängt unser Modell die bidirektionale Interaktion zwischen ihnen effektiv ein. Zunächst verwenden wir die durch das flache NER-Modul erkannten Entitäten, um einen Entitätsgraphen zu konstruieren, der dem nächsten Graphenmodul zugeführt wird. Die reichhaltigere Darstellung, die aus dem Graphenmodul gelernt wird, trägt die Abhängigkeiten der inneren Entitäten und kann genutzt werden, um die Vorhersagen der äußersten Entitäten zu verbessern. Experimentelle Ergebnisse auf drei Standard-Datensätzen für verschachtelte NER zeigen, dass unser BiFlaG frühere state-of-the-art Modelle übertrifft.