0.总结

• 不知道是不是大模型的流行还是什么其他原因，导致现在网上都没有人来分享NER模型的相关论文了~
• 本文方法简单，代码应该也比较简单（但是没见作者放出来）。
• 推荐指数：★★☆☆☆

---

1. 动机

• 处理三种不同场景的NER

• 与 sequence-to-sequence NER 方法不同，本模型不需要强制实体按照顺序生成

2. 方法

其实就是一个BART模型，然后里面套了几层简单的处理而已。

3. 训练细节

3.1 Inverse Generation Training

Since the forward generation task is biased towards the left-to-right semantic structure.
这话意思就是说：这种自回归的生成方法倾向于从左到右的语义结构。

于是提出使用一个 inverse generation training的方法让模型同时也掌握从右到左的语义结构。

做法：使用一个额外的解码器，同时训练生成实体尾 到实体头。举例如下：Swollen, burning feet and ankles. 对于这条句子，得到的翻转目标序列则是：

3.2 联合学习

将上述得到的各个损失进行联合优化。

4. 疑惑

主要的疑惑点有：

• Problem Formulation 中的对Ptr的定义。