【论文学习】《A Unified MRC Framwork fo

论文：https://arxiv.org/abs/1910.11476
源码：https://github.com/ShannonAI/mrc-for-flat-nested-ner
使用机器阅读理解的方式去解决 命名实体(NER) 任务，主要在数据的构建上面，对于每一个实例句子作为 context，前面拼接一个 query 块，这个 query 是对实体的描述，比如：

• which person is mentioned in the text
• find an organization such as company, agency and institution in the context

• 然后 跟 后面的需要标识出 实体的句子 进行拼接：
• [CLS] query [SEP] context [SEP]
  作为 bert 的输入格式

MRC抽取答案的方法是预测答案的开始位置和结束位置，有两种方案：

1. 设计2个n-classes分类器（n为句子长度），分别预测答案的开始位置和结束位置。这种方案在给定一个context和一个question时只能得到一个答案，无法处理句子中存有多个实体的问题，更不能解决实体嵌套的问题；
2. 设计2个2分类器，其中一个分类器负责预测每个字符是否是实体开始位置，另一个分类器负责预测每个字符是否是实体的结束位置。这种方案在给定一个context和一个question时支持多个实体开始位置和多个实体结束位置

Loss：

• strat_loss & end_loss:
  多标签二分类问题，对于一个原始样本来说，假设序列长度为n，那么就是n个二分类问题。设计baseline时，使用交叉熵作为损失函数，最终的损失函数由两部分组成：start_loss和end_loss。
• span_loss。核心思想是对于模型学习到的所有实体的start和end位置，构造首尾实体匹配任务，即判断某个start位置是否与某个end位置匹配为一个实体，是则预测为1，否则预测为0，相当于转化为一个二分类问题，正样本就是真实实体的匹配，负样本是非实体的位置匹配。

tips:

模型结构不复杂，主要在于数据集的构建，论文结果是比一般的 NER 方法好，论文中说到时 借鉴19年另一篇 转换为 阅读理解任务做关系抽取 的工作

参考：
https://zhuanlan.zhihu.com/p/103779616?utm_source=qq
基于MRC框架的命名实体识别方法