論文題目：A Neural Layered Model for Nested Named Entity Recognition
論文出處：NAACL 2018
論文地址：https://www.aclweb.org/anthology/N18-1131
論文概要
相比於傳統的單層級的NER任務（flat NER），在實際業務中會出現實體嵌套的情況，對應爲嵌套NER任務（nested NER）。
下圖是一個嵌套實體的實例：
這篇論文給出了一種可以實現嵌套實體識別的end to end 的解決方案。
模型pipeline
首先直接附上模型結構圖：
模型結構很清晰，自底向上，從細粒度實體識別到粗粒度實體識別。每一層級的NER模型都是經典的bilstm+CRF。
這裏簡要記錄下具體實現的幾個細節：
- word representation
![在這裏插入圖片描述]()
基於lstm提取字符表示後與詞向量進行級聯，得到最終的單詞表示。
2.layerd NER
具體堆疊NER的實現細節，對於底層NER層識別出的實體，對實體內的特徵向量求平均後作爲下一層NER的輸入，也就是將上一層識別出的實體作爲一個token，一個整體來看待。如果上一層沒有識別出實體（也就是‘O’標籤），則直接將其特徵向量輸出作爲下一層的輸入。
對最底層來講，特徵向量就是上文提到的級聯後的word representation，對後面的NER來說，特徵向量是上一層LSTM的輸出，如模型結構圖所示。
實驗結果
評測數據集：
實驗結果：
這裏不詳細記錄了，詳見論文。
論文總結
- 論文提供了進行嵌套NER識別的端到端的解決方案。
- 論文針對的是從inside 到 outside的識別方案，即先識別細粒度實體，再識別粗粒度實體。