要約
本論文では、ネストされた固有表現認識（NER）のための新しい二部平図グラフネットワーク（BiFlaG）を提案します。このネットワークは、最外層のエンティティを認識する平NERモジュールと、内層に位置するすべてのエンティティを扱うグラフモジュールという2つのサブグラフモジュールで構成されています。双方向LSTM（BiLSTM）とグラフ畳み込みネットワーク（GCN）が採用され、平エンティティとその内部依存関係を共同で学習します。従来のモデルが最内層から最外層へ（または外部から内部へ）の一方向的な情報伝達のみを考慮しているのに対し、当モデルはそれら間の双方向的な相互作用を効果的に捉えます。まず、平NERモジュールによって認識されたエンティティを使用してエンティティグラフを作成し、これを次のグラフモジュールに供給します。グラフモジュールから学習される豊かな表現には内層エンティティの依存関係が含まれており、これが最外層エンティティの予測精度向上に活用されます。3つの標準的なネストされたNERデータセットに対する実験結果は、当BiFlaGが従来の最先端モデルよりも優れていることを示しています。