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

本论文提出了一种名为 SpanKL1 的简单而有效的基于 Span 的模型，采用知识蒸馏和多标签预测技术，旨在解决命名实体识别领域中实体类型不断增加的问题，并在 OntoNotes 和 Few-NERD 等数据集上进行实验，结果表明 SpanKL 显著优于先前的方法，并显示出高实用价值。

Feb, 2023

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

综述了 Complex, fine-grained named entities 的识别问题，并比较了 Sequence Labeling 和 Span Prediction 两种 NER 方法。发现使用较大版本的 XLM-RoBERTa 可以显著提高性能。实验表明，在使用 XLM-RoBERTa 的特殊输入 tokens （<s> 和 </s>）时，Span Prediction 和 Sequence Labeling 方法可以进一步改善。

May, 2023

本文提出将生成模型和信息压缩模型结合在一起，通过信息瓶颈模型提高命名实体识别（NER）性能。通过实验证明，联合训练生成模型和信息压缩模型可以增强基线的基于 span 的 NER 系统的性能。

Feb, 2023

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

本研究比较了三种不同的命名实体识别方法 ——SEQ、SeqCRF 和 SpanPred—— 在四个生物医学 NER 任务上的表现，发现 SpanPred 模型和 SeqCRF 模型在 LivingNER 和 SocialDisNER 上具有最先进的性能。研究还通过学习的组合器系统显著提高了在 GENIA 数据集上的 F1 (+1.2) 和召回 (+2.1)。

May, 2023

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

提出了一种深度神经网络模型 STSN，该模型将序列标注和基于区间的联合抽取结合起来，可以使模型从序列标注机制中学习标记信息，并将其应用于基于区间的联合抽取中，并在三个基准数据集上实现了新的最优结果。

Oct, 2022