黄荣梅，廖 涛，张顺香，段松松

(安徽理工大学 计算机科学与工程学院，安徽 淮南 232001)

0 引 言

命名实体识别(NER)是信息提取当中的一项基本任务，其旨在从非结构化的文本中识别并分类出实体所属类型。它被认为是许多自然语言处理(NLP)当中下游任务的关键部分，例如：关系提取[1]、机器翻译[2]等自然语言处理技术领域。随着技术的发展，越来越多的人开始研究文本当中具有嵌套结构的实体，将这类实体统称为嵌套命名实体(nested NER)，如句子“北京天安门广场”，其中“北京”为地名实体，嵌套在另一个地名实体“北京天安门广场”之中。自然语言短语表述的特性，使得命名实体通常是嵌套的[3]。因而，嵌套命名实体越来越引起人们的思考与研究。

近年来，涌现出许多针对nested NER的新方法。Shibuya和Hovy[4]采用分层的方法，通过应用传统的条件随机场(CRF)重复检测内部实体。Li等[5]提出了将nested NER任务看作阅读理解来做的思路。转换的方法将嵌套命名实体转化为线性结构，再进行序列标记。例如：Muis等[6]提出一种基于超图的方法，Katiyar和Cardie[7]同样基于超图方法，并用贪婪的方式使用LSTM来进行线性学习。通过发现可知，目前大多数的方法在嵌入时采用字级别表示和字符级别表示的联合嵌入获取特征信息，这并没有考虑字特征与字符特征之间的依赖关系，从而无法高效获得隐藏的特征信息。

针对目前嵌入特征向量隐藏信息获取不充分现象，本文提出了一种双流的特征互补机制加以解决，将两种嵌入向量分别进入Bi-LSTM获取文本上下文特征，之后采用一种双向特征互补机制探索两个特征向量之间的最大信息增益，本文通过在GENIA数据集上进行对比分析得到结论，相较于其它经典实验本文的实验结果最佳。……