NER综述

一、NER任务分类

NER任务分成三大类

flat ner：传统的NER，实体之间彼此不重合；
nested ner：嵌套NER，实体之间存在部分重合甚至完全嵌套的情况；
discontinous ner：非连续NER，单个实体由多个不连续的文本片段组成；

二、标注模式

NER的标注模式（tagging schema）有BIO和BMES两种。
第一种：

"B-ORG":组织或公司(organization)
"I-ORG":组织或公司
"B-PER":人名(person)
"I-PER":人名.
"O":其他非实体(other)
"B-LOC":地名(location)
"I-LOC":地名

第二种：

定义    全称    备注
B    Begin    实体片段的开始
I    Intermediate    实体片段的中间
E    End    实体片段的结束
S    Single    单个字的实体
O    Other/Outside    其他不属于任何实体的字符(包括标点等)

三、相关算法

算法1、lattice系列： FLAT:Lattice+transformer

FLAT来自于复旦大学邱锡鹏老师团队，发表于ACL2020，在当时刷新了中文NER任务的新SOTA。FLAT的基本思想来源于Lattice-LSTM，Lattice-LSTM采取的RNN结构无法捕捉长距离依赖，同时引入词汇信息是有损的，同时动态的Lattice结构也不能充分进行GPU并行。

相关实验表明，FLAT 有效的原因是：新的相对位置 encoding 有利于定位实体 span，而引入词汇的 word embedding 有利于实体 type 的分类。
为解决计算效率低下、引入词汇信息有损的这两个问题，FLAT基于Transformer结构进行了两大改进：

改进1：Flat-Lattice Transformer，无损引入词汇信息

FLAT设计了一种巧妙position encoding来融合Lattice 结构，具体地情况如上图所示，对于每一个字符和词汇都构建两个head position encoding 和tail position encoding，这种方式可以重构原有的Lattice结构。

改进2：相对位置编码，让Transformer适用NER任务

参考：
https://mp.weixin.qq.com/s?src=11×tamp=1660127164&ver=3974&signature=cIWWfB7WXzMytQZ4A09eCmghT2Cl3MqFgQ89YCCuv-9d9N8Hc3w8xVcoXrDyOIWSEq7lpGs9KJgWnU5-AtRssnNvTP3stN8oU8b*6auB5mSQB-nQMAWl1sA-RBw61E&new=1