命名实体识别
（在联合抽取中，命名实体识别是一个部分，也会影响到关系抽取的质量，对于命名实体识别，目前主要涉及在细粒度命名实体识别、嵌套、不连续命名实体识别等）
相关的方法主要有两大类：基于span的方式、基于tag的方式
SPANNER: Named Entity Re-/Recognition as Span Prediction
这篇文章主要分析基于span的方法的优劣势，比较了seq——label的方式，最后提出了ensemble learn的方法，提高了命名实体识别的准确度。
基于span的命名实体识别：主要包括三个模块：
（1）是句子向量表示—–方法：（预训练模型、glove、bert、BiLSTM）
（2）是span表示，一般会加上对应的实体类型
（3）是span的预测，判断span是否为实体(softmax)
研究内容：
（1）模型变量对于模型效果的影响
在实验一中，作者将不同的变量逐次加入到模型中，分别是
（1）boundary 编码（span的头尾位置token的embedded的cat）
（2）span length 编码（对应于span部分的tokens的embedded）
在解码方式中， 提到启发式解码，这里我没有太懂。（heuristic decoding,）
结论：说明不同实验变量的作用
（2）span model和seq model的互补性分析
在这一节中，主 要为了说明不同模型在什么条件下最有效，以两种模型F1-score的差值最为基准绘制的图。
对于 语料按实体连续度、句子长度、实体长度、 density of OOVs（这里也乜有太懂OOVs是什么？）各自分为了四类，分别是 extra-small (XS), small (S), large (L), and
extra-large (XL)
绿色表示seq模型表现好，粉色表示span模型表现好。
从图中的结论：
(1)s pan适合处理中等句子，连续度高的实体、实体长度中等的，OOVS多的语料；
（2）引入启发式解码和span length后，span模型的效果开始改善。
（3）seq 模型适合处理句子长度长的、实体长度长，连续度低的，OOVS少的语料。(i) entities are long and with lower label consistency
; （3）模型的ensemble learning
对于多个模型预测的结果，做分析，选择最大的做为span的标签。
这里的图是不是给的不太好，因为最后得到的是span和对应的标签，每个span的预测是怎么得到的？是前一节中提到的所有的可能吗？还是模型预测出的span？
实验是在采用不同的 子词嵌入技术以及不同的word向量表示技术和sent编码技术上进行的，比较了不同模型的结果。
最后的实验， 是比较了不同模型的联合策略，基于投票的方式（选择多个模型中分值最高的、加权求值），基于堆叠的方式（随机森林、支持向量机等），然后就说明了文中的模型的优势。
但是，文中的模型，不同样也是在多个模型的基础上，对每个label求得分值，确定最终的标签吗？
（创新性，目前我没有太看出来）
Original: https://blog.csdn.net/Hekena/article/details/123618579
Author: 做好当下，一切随缘吧
Title: SPANNER: Named Entity Re-/Recognition as Span Prediction
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/556806/
转载文章受原作者版权保护。转载请注明原作者出处！