Verschachtelte Entitäten werden in vielen Domänen aufgrund ihrer Kompositionsfähigkeit beobachtet, wobei sie durch den weit verbreiteten Ansatz der Sequenzmarkierung nicht leicht erkannt werden können. Eine natürliche Lösung besteht darin, die Aufgabe als Span-Klassifikationsproblem zu formulieren. Um bessere Span-Repräsentationen zu lernen und die Klassifikationsleistung zu steigern, ist es entscheidend, heterogene Faktoren effektiv zu integrieren, darunter innere Tokens, Grenzen, Labels sowie verwandte Spans, die zur Erkennung verschachtelter Entitäten beitragen können. Um diese heterogenen Faktoren zu fusionieren, schlagen wir einen neuartigen Triaffinen-Mechanismus vor, der aus Triaffiner Aufmerksamkeit und Triaffiner Bewertung besteht. Die Triaffine Aufmerksamkeit verwendet Grenzen und Labels als Anfragen und innere Tokens sowie verwandte Spans als Schlüssel und Werte zur Generierung von Span-Repräsentationen. Die Triaffine Bewertung interagiert mit Grenzen und Span-Repräsentationen zur Klassifikation. Experimente zeigen, dass unsere vorgeschlagene Methode bisherige spanbasierte Ansätze übertrifft, die bisher besten F₁-Scores auf den verschachtelten NER-Datensätzen GENIA und KBP2017 erreicht und vergleichbare Ergebnisse auf ACE2004 und ACE2005 erzielt.