要約
依頼された内容をもとに、以下のように日本語で正確かつ自然な表現に翻訳いたします。名前付きエンティティ抽出（NER）において、依存関係木によって捉えられる長距離構造情報を取り入れることで性能向上が示されている。私たちは、この現象が、線形シーケンスによって得られる文脈情報と依存関係木によって捉えられる構造情報の二種類の特徴量が互いに補完し合うためだと考えている。しかし、従来のアプローチは、LSTMとグラフニューラルネットワーク（例えばグラフ畳み込みネットワーク：GCN）を積み重ねる形で改善されたNERモデルを構築する傾向にあり、この二種類の特徴量間の正確な相互作用メカニズムが明確でなく、性能向上も顕著ではないという課題がある。本研究では、両方の特徴量を明確に統合できるシンプルかつ堅牢な手法として、Synergized-LSTM（Syn-LSTM）を提案する。本手法は、二種類の特徴量がどのように相互作用しているかを明示的に捉えることができる。我々は、4言語にまたがる複数の標準データセットにおいて広範な実験を実施した。その結果、従来手法よりも優れた性能を達成しつつ、パラメータ数も少ないことを示した。さらに、詳細な分析により、強力なベースラインと比較して、本モデルがより長い依存関係を捉える能力を持つことが明らかになった。