초록
본 논문에서는 중첩된 명명된 개체 인식(NER)을 위한 새로운 이분 평면 그래프 네트워크(BiFlaG)를 제안합니다. 이 모델은 외부 개체를 위한 평면 NER 모듈과 내부 층에 위치한 모든 개체를 위한 그래프 모듈로 구성된 두 개의 하위 그래프 모듈을 포함하고 있습니다. 양방향 LSTM(BiLSTM)과 그래프 합성곱 네트워크(GCN)가 결합되어 평면 개체와 그 내부 의존성을 동시에 학습합니다. 기존 모델들이 내부 층에서 외부 층으로(또는 외부-내부) 단방향 정보 전달만 고려하는 것과 달리, 본 모델은 이들 사이의 양방향 상호작용을 효과적으로 포착합니다. 먼저, 평면 NER 모듈이 인식한 개체들을 이용하여 개체 그래프를 구축하고, 이를 다음 그래프 모듈에 입력합니다. 그래프 모듈에서 학습된 더 풍부한 표현은 내부 개체들의 의존성을 담고 있어, 이를 활용하여 외부 개체 예측을 개선할 수 있습니다. 세 가지 표준 중첩 NER 데이터셋에 대한 실험 결과는 본 BiFlaG가 기존 최신 연구모델들을 능가함을 보여줍니다.