本文提出使用卷积神经网络来建模得分矩阵中的空间关系以解决嵌套的命名实体识别问题，实验证明相较于最近提出的同类方法，本文提出的方法更为优秀，并且发现不同的论文使用不同的句子标记化会对结果产生影响，因此提供一种易于使用的预处理脚本以便于日后比较。

Aug, 2022

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

该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

Jun, 2021

本文提出了一种新的方法来识别包含嵌套实体的实体名，该方法使用具有嵌套实体标签序列的神经模型设计客观函数进行训练，并提供了推断的解码方法，该方法无需额外的超参数，实验表明与现有的处理嵌套实体的方法相比，该方法表现更好，达到了 ACE-2004、ACE-2005 和 GENIA 数据集的 F1 分数分别为 85.82%、84.34% 和 77.36%。

Sep, 2019

本文提出了基于 Propose-and-Refine 网络的多层次命名实体识别方法，通过预测基于语块提出的实体预测与交互来减少粗糙提议的误差，同时使用多层次句子表示方法提高语境信息丰富度，在四个嵌套 NER 数据集和一个平面 NER 数据集上表现出卓越的性能。

Apr, 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

本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点，并提出了系统组合的方法来重新识别来自不同系统的命名实体，并在 11 个数据集上进行了 154 个系统的实验，证明了 span prediction 也可以作为基础 NER 系统和系统组合器，同时也将我们的模型部署到 ExplainaBoard 平台上。

Jun, 2021

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

本研究提出了一种基于触发器的图神经网络（Trigger-GNN），通过实体触发编码和语义匹配获取补充注释嵌入，并利用高效的图传递体系结构解决嵌套实体问题。实验表明，Trigger-GNN 在四个公共 NER 数据集上始终优于基线，并能有效缓解嵌套 NER。

Apr, 2022

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