不均一な要因をTriaffine機構で統合したネスト型名前付きエンティティ認識

ネストされたエンティティは、その構成性のため、多くの分野で観察されるが、従来広く用いられているシーケンスラベリングフレームワークでは容易に認識できない。この問題に対して自然な解決策として、タスクをスパン分類問題として扱うことが挙げられる。より良いスパン表現を学習し、分類性能を向上させるためには、内部トークン、境界、ラベル、および関連スパンといった多様な要因を効果的に統合することが重要である。これらの異種要因を統合するため、本研究では、三重アフィン（triaffine）注目機構とスコアリング機構を含む新しいメカニズムを提案する。三重アフィン注目機構では、境界とラベルをクエリとして用い、内部トークンと関連スパンをキーおよびバリューとして用いてスパン表現を生成する。一方、三重アフィンスコアリングは、境界とスパン表現との相互作用を通じて分類を行う。実験の結果、提案手法は従来のスパンベース手法を上回り、ネスト型NERデータセットであるGENIAおよびKBP2017において最先端のF₁スコアを達成した。また、ACE2004およびACE2005においても、競合する結果を示した。