DCS：一个用于支持模式灵活命名实体识别的动态概念语义框架

《Neurocomputing》：DCS: A dynamic conceptual semantics framework for schema-flexible named entity recognition

　　**摘要：**
灵活的命名实体识别（NER）在实体类型清单因任务、数据集或文档而异的信息提取领域中至关重要。然而，现有的基于模式的方法主要依赖于标签名称或静态类型描述，这限制了它们捕捉文档特定实体实现、跨越边界以及区分语义相关类型的能力。为了解决这一限制，我们提出了DCS（Dynamic Conceptual Semantics），这是一种用于灵活NER的动态概念语义框架，它为目标实体类型生成基于文档的条件化语义规范，并利用这些规范指导基于跨度的提取。我们的框架将紧凑的语义描述器与具有区分能力的跨度提取器相结合，并通过提取驱动的反馈进一步优化描述器，以提高下游的跨度预测能力。在一系列跨领域、多语言、监督和受控基准测试中的广泛实验表明，DCS在处理特定领域和语义竞争强烈的实体类型时能够显著提升NER性能。消融分析和鲁棒性研究进一步证明，其优势主要源于自适应的语义条件化，而非更长的描述或更复杂的架构。

**引言：**
命名实体识别（NER）是自然语言处理中的基本任务，支持信息提取、问答、知识图谱构建和特定领域文本分析。传统的NER模型通常假设实体类型清单是固定的，这在实体模式因领域、数据集或文档而变化时限制了它们的应用。灵活NER通过要求模型在动态指定的类型清单下提取实体跨度来解决这一问题。最近的神经NER方法结合了预训练语言模型和基于跨度的提取器，取得了良好的性能。为了适应变化的模式，基于模式的方法使用标签名称、提示、指令或类型描述作为语义输入，从而无需为每个模式单独训练分类器即可提取未见过的实体类型。然而，标签名称和静态描述仅提供与上下文无关的语义信息，可能无法说明类型在当前文档中的表达方式、跨度边界的确定方法或其与其他相关类型的区别。这种语义不匹配在特定领域或低上下文的文档中尤为突出。因此，灵活NER需要自适应的语义规范而不仅仅是更强大的神经编码器。为此，我们提出了DCS框架。

**提出框架概述：**
DCS专为灵活NER设计，其目标实体类型清单可能在不同文档或领域中发生变化。与传统封闭集分类器不同，灵活模型必须根据动态提供的实体类别来预测实体跨度。DCS包括两个模块：DCS-Describer和DCS-Extractor。

**数据集和评估设置：**
为了评估DCS的有效性，我们使用了三组基准测试，涵盖跨领域迁移、广泛领域提取和多语言灵活NER。这些测试帮助我们了解基于文档的条件化语义规范是否能在实体类型清单变化的情况下改善神经提取性能。

**总体性能：**
我们首先在四种代表性设置中评估了DCS的总体有效性：跨领域零样本迁移、广泛领域零样本提取、多语言灵活提取以及监督微调。这些设置检验了动态概念语义在实体类型清单跨领域、语言和训练条件变化时是否能提升神经提取性能。

**结论：**
本文提出了DCS，这是一种用于灵活命名实体识别的动态概念语义框架。与依赖标签名称或静态类型描述不同，DCS为动态提供的实体类型生成基于文档的条件化语义规范，并利用这些规范指导基于跨度的神经提取。该框架采用生成-判别设计，其中紧凑的语义描述器生成自适应的实体类型语义，而具有区分能力的跨度提取器则完成提取工作。

**作者声明：**
作者声明他们没有已知的可能影响本文工作的财务利益冲突或个人关系。

**致谢：**
本工作得到了2024年山东省档案科学技术项目（项目编号2024–04）的支持。作者感谢山东政法学院提供的资源和帮助。

**作者简介：**
徐世婷（Shiting Xu）毕业于中国北京邮电大学，获得计算机科学与技术硕士学位，现任山东政法学院网络空间安全学院讲师。她的研究兴趣包括自然语言处理、大型语言模型、信息提取和高效人工智能，当前研究重点是灵活命名实体识别和语义增强技术。