原文链接：
https://aclanthology.org/2023.acl-short.123.pdf
ACL 2023
介绍
问题
基于span来解决嵌套ner任务的范式，大多都是先对span进行枚举，然后对每个span进行分类，实际就是得到一个分数矩阵，矩阵中每个元素表示一个span（比如矩阵中的n行m列，对应着span（token_n, token_m））。作者认为这种方法忽略了span与sapn之间的空间信息。
IDEA
在矩阵中，每个span与其周围的span在原句中都是比较接近的，存在一定的空间语义信息。因此作者提出使用CNN来对span之间的空间信息进行建模。
方法
整体来说，首先对span进行枚举，然后通过Biaffine decoder得到一个三维的特征矩阵，在此基础上使用CNN来进行卷积，在span与span之间进行交互，丰富span的表征，最后对其进行分类。整体结构如下图所示：
Span-based Representation
使用一个预训练模型（比如BERT）来得到输入句子的word embedding，对于分词后的token，使用max-pooling来得到这个word的词嵌入：
然后使用一个多头的Biaffine decoder来得到每个span的分数矩阵R：
CNN on Feature Matrix
使用CNN来对span与其周围的span之间的交互进行建模，
这里由于句子中的token数量不同，导致分数矩阵R的大小会不同，为了进行批量计算，在矩阵中使用0来进行padding。
Output
使用一个mlp来得到相应的预测对数：
模型的损失函数是一个分类二值交叉熵：
实验
在ACE2004和ACE2005这两个数据集上进行实验，结果如下所示：
在genia数据集上进行了实验（预训练模型使用BioBERT-base），结果如下图所示：
为了研究为什么CNN有利于嵌套ner任务，作者将实体分为两类：嵌套实体（nest ner）和非嵌套实体（flat ner）。作者设计了 4 个指标 NEPR(flat entity precision)、NERE(flat entity recall)、FEPR(nested entity precision) 和 FERE(nested entity recall)：
结论
论文想法很简单，使用了卷积来对不同的span进行交互，使其能够学习到周围span的信息，但是其实从实验结果来看，加了CNN的效果并没有很大的提升。但将卷积利用到NER任务中，也浅算一个创新点吧，或许可以考虑不止在span与span之间进行卷积。
)
