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

提出了一种用于嵌套命名实体识别的序列到集合神经网络，并利用二分匹配的损失函数计算整体训练损失，实验结果表明该模型在三个嵌套命名实体识别数据集上取得了最先进的结果。

May, 2021

本文提出使用词性识别和命名实体识别相结合的方法，在 NER 中推广了语法结构树，并引入局部边际化算法来解决名字嵌套的问题。实验结果表明，使用本文提出的方法在 ACE2004，ACE2005 和 NNE 数据集上达到了现有最优效果，并在 GENIA 数据集上表现出色，并且具有快速的推理速度。

Mar, 2022

该研究提出了一种名为 nested-from-flat NER 的新子任务，利用基于跨度的模型培训数据并有意忽略在已注释实体内的嵌套跨度，从而获得能够识别嵌套实体的训练模型，结果在多个数据集上得到了良好的成绩。

Nov, 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

本研究提出了两种神经网络架构用于嵌套的命名实体识别（NER）。第一种通过标准 LSTM-CRF 架构中的笛卡尔积来建模多标签，第二种将嵌套的 NER 视为序列到序列的问题，并使用硬关注 (word whose label is being predicted) 来进行标签预测。此外，我们丰富了最近发布的上下文嵌入：ELMo，BERT 和 Flair，以进一步改进四个嵌套实体 Corpora 的结果，并报告了 CoNLL-2002 荷兰语和西班牙语以及 CoNLL-2003 英语的具有最新结果。

Aug, 2019

本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

Oct, 2019

通过提出一种名为 S2F-NER 的新的 Sequence-to-Forest 生成模型，我们的研究论文在处理复杂的、嵌套的、重叠的实体时显著提高了准确性，比传统的 Seq2Seq 和基于跨度的分类方法更适应于长文本数据集，并且能有效解决曝光偏差问题。

Oct, 2023

本文首次提出了针对 few-shot 嵌套 NER 任务的 Biaffine 对比学习框架 (BCL)，该框架利用上下文依赖来区分嵌套实体，将语义表示与上下文跨度表示相结合，并采用对比学习来调整表示分布，实现更大的边缘边界和更广泛的领域迁移学习能力。实验结果表明，在三个英语、德语、俄语嵌套 NER 数据集上，BCL 在 1-shot 和 5-shot 任务中的 F1 得分优于三个基本模型。

Dec, 2022

该研究提出两阶段标识器以识别嵌套实体，其通过过滤种子跨度和边界回归生成跨度建议，并准确地标记跨度与相应类别。实验结果表明，该方法优于以往最先进的模型。

May, 2021