信息抽取是自然语言处理中一个关键领域，本研究提出了一个多任务学习方法，通过整合句子分类和命名实体识别，揭示了这两个信息抽取子任务之间的相互增强效应。结果显示，整合增强了句子分类和命名实体识别的性能，并且实验证明了该方法的有效性。

Jul, 2023

本文探讨在自然语言处理领域中识别命名实体的挑战，并着重分析代码混合文本在语言上的复杂性。作者通过利用多语言数据实现了对代码混合数据集中的命名实体识别，并取得了 0.7044 的加权平均 F1 值，比基准线高 6%。

Jun, 2022

该论文提出了应用 BiLSTM-CRF 进行命名实体识别 (NER) 和多种机器学习算法进行文本分类的研究。 基于我们的方法在英语和西班牙语中的有效性，我们的工作可以推广到不同的语言。 在 SMM4H 共享任务中，作为 MIC-NLP 团队，我们的文本分类提交在 ADE 分类 (任务 1a) 和职业分类 (任务 7a) 方面取得了 0.46 和 0.90 的 F1 分数，命名实体识别的提交在 ADE Span Detection (任务 1b) 和职业 Span detection (任务 7b) 方面取得了 0.50 和 0.82 的 F1 分数。

Jun, 2021

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

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

本文提出了一种多任务学习框架，将标签依赖关系融入基于机器阅读理解的命名实体识别，通过使用自注意力模块来捕捉标签之间的依赖关系，实现更好的性能。

Sep, 2023

该研究提出了一种生成式框架，用于多个序列标记任务和句子级分类。与以往的判别式方法不同，该模型通过共享自然语言输出空间，自然地融合标签语义，并在任务之间共享知识。该框架具有通用性，可在 few-shot、低资源和高资源任务上表现良好，并在命名实体识别、槽位标记和意图分类等基准测试中展示了这些优势。

Sep, 2020

本文提出了一种新的多粒度命名实体识别框架，MGNER，用于检测句子中多个实体或实体提及，这些实体或实体提及可以是不重叠或完全嵌套的。该框架通过检测所有可能的单词片段和分类实体来识别命名实体，其中利用了上下文信息和自我注意机制，实验结果表明，MGNER 在非重叠 / 嵌套 NER 任务中比现有的最先进基线算法表现提高了 4.4% 的 F1 分数。

Jun, 2019

提出了 RiVEG，这是一个统一的框架，将 GMNER 转化为联合的 MNER-VE-VG 任务，通过利用大型语言模型作为连接桥梁，解决了 GMNER 任务中存在的挑战，并通过构建新的 SMNER 任务和 Twitter-SMNER 数据集，实验证明了框架的可行性和有效性。

Jun, 2024

本文提出了一种基于多任务指令的生成式框架 InstructionNER，用于低资源的命名实体识别。实验结果表明，我们的方法在少样本任务中始终优于其他基线模型。

Mar, 2022