一种全新易用的基于词间关系的命名实体识别（ner）统一模型，刷新了14种数据集并达到新的最佳表现（sota）。这篇论文名为《unified named entity recognition as word-word relation classification》，已被aaai2025收录，详细内容可通过链接https://arxiv.org/pdf/2112.10070.pdf查看。

NER任务通常分为三种类型：平面NER（flat NER）、重叠NER（overlapped NER）和不连续NER（discontinuous NER）。近期的研究致力于通过一个统一的大模型来同时解决这三种问题。现有的最佳方法主要基于span-based和seq2seq的方法，但span-based方法需要枚举所有可能的span组合，存在时间复杂度问题；而seq2seq方法则容易产生错误传播。

因此，本文提出了一种新颖的框架，通过预测词与词之间的关系（称之为W2NER）来解决所有NER问题。词间关系主要分为三种：下一邻居词关系（NNW）、尾部-头部词关系（THW-*）和无关系（NONE）。为了解决图的稀疏性问题，文章采用了一个多粒度的二维图来表示词间关系。

模型由三个主要模块组成：

1. 编码层（Encoder Layer）：通过BERT获取表示信息，然后通过LSTM获取上下文信息。

2. 卷积层（Convolution Layer）：包含一个条件层归一化（CLN）层，用于获得词j在词i前提下的表示。接着是BERT风格的网格表示层，通过BERT的三个嵌入层获得信息表示、关系位置信息表示和位置域表示，并通过MLP融合。最后通过多粒度的空洞卷积（Multi-Granularity Dilated Convolution）采样不同的信息。

3. 共同预测层（Co-Predictor Layer）：使用一个普通的MLP和一个用于变长标签预测的biaffine预测器，最后通过softmax层输出结果。

解码层（Decoder Layer）通过NNW和THW-*构建实体环，如图所示：

实验结果显示，该模型在14个公开数据集（包括中文和英文）上都取得了最佳表现，成为最新的SoTA。具体实验结果如下：

• 英文平面数据集：

• 中文平面数据集：

• 英文重叠数据集：

• 中文重叠数据集，F1性能：

• 英文不连续数据集：

与前沿最佳论文对比：

消融实验显示，F1性能：

训练速度和推理速度也得到了极大提升：

总的来说，这篇文章提出了一个简单有效的NER新框架，具有较高的应用价值和潜力。