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

本研究通过绑定学习（BL）范例将序列标注和范围标注两种命名实体识别（NER）范例结合在一起，以解决此前不能同时利用两种范例优点的问题，并发现 BL 可显著提升 NER 模型的性能。

Jul, 2022

提出了一种简单而有效的方法，Informed Named Entity Recognition Decoding (iNERD)，将命名实体识别视为一种生成过程，利用近期生成模型的语言理解能力，并采用了基于信息提取的有限文本生成的解码方案，以提高性能和消除幻觉风险，我们在合并的命名实体语料库上训练了模型，评估了五个生成语言模型在八个命名实体识别数据集上的表现，并取得了显著的结果，特别是在未知实体类别集的环境中，展示了该方法的适应性。

Aug, 2023

文章研究了多模态命名实体识别和多模态关系提取的方法，并提出了一种基于信息瓶颈的多模态表示学习方法，该方法在三个公共基准测试上取得了最先进的性能。

Apr, 2023

通过注意力集成和提出的键值内存网络、语法注意力和门机制来利用不同类型的句法信息，提高了命名实体识别，并在六个英语和中文基准数据集上实验。

Oct, 2020

本文从监督解缠角度实现信息瓶颈方法，引入 DisenIB，以最大压缩的方式坚持最大化压缩源，而不会损失目标预测性能。理论和实验结果表明，我们的方法在最大压缩方面是一致的，并在泛化、对抗攻击鲁棒性、超出分布检测和监督解缠等方面表现良好。

Dec, 2020

我们提出了一种新的预训练模型，利用基于维基百科的知识图谱实现了在实体和关系上的双重表示，以及利用跨度模块进行有效编码，相较于现有模型使用更少的参数。实验结果表明，相比 RoBERTa 模型，我们模型在信息抽取任务上表现更好，尤其在监督学习任务中达到了很高的竞争水平。

Aug, 2022

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

通过实证分析命名实体识别，我们展示了一种能够在不牺牲性能的前提下开发具有高可解释性的模型，其具有可解释的推理过程并学习了跨度之间的相似性的基于实例的学习方法。

Apr, 2020

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