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

本文提出一种多任务 Transformer 模型，该模型将实体边界检测任务整合到命名实体识别任务中，通过关系分类来实现实体边界检测，并采用外部知识库和自注意力及交叉注意力机制来提高解码时实体类型映射的准确性。在多个实验数据集上的实验结果表明，该方法显著提高了生成型 NER 模型的性能。

Mar, 2023

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

本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

Dec, 2019

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

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

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

该研究通过一种端到端的神经架构，直接从语音中提取命名实体，并针对语音识别和命名实体识别进行联合优化，相较于传统的流水线方法，实现了更好的命名实体识别结果（测试数据的 F-measure=0.69）

May, 2018

该研究论文探讨了一种创新、成本效益的策略，利用具有适度命名实体识别能力的大型语言模型（LLMs）生成优质的命名实体识别数据集，通过引导 LLMs 自我反思特定领域生成与领域相关的属性，并围绕这些实体构建上下文数据，从而绕过 LLMs 在复杂结构上的挑战。实验证明，相对于传统的数据生成方法，该方法在通用领域和利基领域都取得了显著的性能提升，并具有更好的成本效益。

Mar, 2024