该论文提出了一种新模型，能够识别重叠提及，引入了一个新的提及分隔符概念和多图表示，能够有效地捕捉提及之间重叠的情况，并证明可以实现高效准确的推理，此外，通过在标准数据集上进行大量的实证分析，证明了该方法的有效性。

Oct, 2018

本文提出了一种神经网络模型来识别医学文档中具有不连续序列和重叠结构的实体，通过将这个问题分解成两个子任务：检测所有重叠跨度，并将这些跨度组合成不连续的实体。使用两个神经组件学习这些子任务的过程，并能够在标准数据集上实现最先进的性能。

Sep, 2019

提出了一种新的基于 span 的模型，旨在准确地识别重叠和不连续的命名实体，并通过关系分类判断实体片段之间的关系。实验结果表明，这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。

Jun, 2021

本文介绍了在自然语言处理领域中，如何通过结合半马尔可夫条件随机场和神经网络来解决分词问题，通过不同的组合函数和分段嵌入方式来训练模型，实验结果表明该模型在中文分词任务中达到了最佳性能，在 CoNLL03 数据集上也取得了有竞争力的结果。

Apr, 2016

该研究聚焦于识别不连续实体，通过使用新的超图表示方法来编码不连续且重叠的实体，形成一个独特的模型。研究结果表明，该模型在处理大量不连续实体的数据时显示出较强的优势。

Oct, 2018

本文提出了一种新的多粒度命名实体识别框架，MGNER，用于检测句子中多个实体或实体提及，这些实体或实体提及可以是不重叠或完全嵌套的。该框架通过检测所有可能的单词片段和分类实体来识别命名实体，其中利用了上下文信息和自我注意机制，实验结果表明，MGNER 在非重叠 / 嵌套 NER 任务中比现有的最先进基线算法表现提高了 4.4% 的 F1 分数。

Jun, 2019

提出了一种基于本地超图的方法识别嵌套命名实体，使用查询构造本地超图，通过序列标记模块实现嵌套结构内部信息的可利用性，综合四个数据集的表现表明，该方法优于之前的方法，并在 ACE 2004 数据集上实现了新的最佳表现。

Apr, 2022

本论文研究了包含文本节点和类型节点的异构星型图的表示学习，修正了一种混合形式的图注意力机制，解决了传统序列标注方法中忽略嵌套实体的问题，并提出了一种多层标注策略，经实验验证，该方法在提取扁平和嵌套实体方面均达到了最先进的性能水平。

Oct, 2022

本论文介绍了一种可扩展的过渡算法，用于模拟实体提及可以递归包含其他提及的嵌套结构，其在 ACE 数据集上的最新结果表明了其探测嵌套提及的有效性。

Oct, 2018

提出了 GER：一个图增强型架构以获取零样本实体检索任务中更加精细的信息，并使用分层图注意力网络避免中心实体节点的图信息瓶颈，实验证明 GER 模型在常见基准测试中优于现有最先进模型。

Nov, 2022