https://www.biendata.xyz/competition/ccks_2020_4_1/leaderboard/199952/
排名：25/686
特点：
- 多标签实体识别
- 实体的类别不敏感（不管什么类型的实体都是公司）
- 实体类别多（29分类）
- 包含负样本（即标签为空的样本）
数据样例：
"context": "而随着近日摩能国际因涉嫌传销被调查的消息被确认，也坐实了摩能国际近段时间以来的崩盘传闻",
"type": [
"涉嫌传销",
"提现困难"
],
"entity": [
[
摩能国际
],
[
摩能国际
]
]
注：抽取的实体只能有一个类别标签，数据预处理时shuffle类别（数据类别多折，结果融合）
模型：[BERT]+[Encoder]+CRF
| BERT/MIDDLE | Bi-LSTM | IDCNN | TENER | R-Transformer |
|---|---|---|---|---|
| NEZHA | √ | × | √ | √ |
通过替换预训练模型和下游结构Encoder提升模型的表现，问题在于不能cover多标签的特点。
最佳单模：
结构：NEZHA+Bi-LSTM+CRF
F1-score：0.76
复现论文：《A Unified MRC Framework for Named Entity Recognition》
利用MRC方法实现NER任务，通过先验问题的构造确定实体类别，可以解决多标签的问题。
该模型的不足在于存在无回答的样本，这使得模型无法完全分辨出不同问题之间的差异（Recall高，Precision低）。
最佳单模：
结构：RoBERTa+MRC
F1-score：0.70
为了解决无法正确分辨类别的问题，尝试了一种多任务的方法。除了原始的主任务以外，加入了文本匹配任务，任务目标是判断样本中的问题与文本是否匹配，如不匹配则丢弃该样本中抽取到的实体。
但实验结果分数低于原始的MRC方法，即文本匹配任务反而伤害了模型。
多层指针网络，将类别先验的表示为指针的层数，标签形状为(bs, seq_len, tag_size)。
可以解决多标签的问题，不足在于模型学习的目标会变得复杂，使得模型泛化性较差。
最佳单模：
结构：RoBERTa+Multi-Pointer
F1-score：0.77
将任务视作事件抽取来做，分为两个阶段。
通过整段文本的表征做多标签分类任务，获得事件类别。由于事件类别的获取是独立的模型，在这个阶段可以引入负样本。
将得到的事件类别通过**MRC方法（方法二）**的思想拼接到原样本上去，然后抽取实体。
这种方式有效的避免了方法二中的无回答样本问题，使得测试集样本更加准确。
但是pipline的方式也导致了两个问题：
- 第一阶段的误差累积到了第二阶段
- 事件类别和实体抽取之间的内在联系被割裂
最佳单模：
阶段一结构：RoBERTa+多标签分类
阶段二结构：RoBERTa+MRC
F1-score：0.75
两阶段抽取，先抽类别再抽对应实体
| 方法名 | 优点 | 缺点 |
|---|---|---|
| CRF方法 | 有CRF转移矩阵约束,分词和分类信息更加准确 | 无法解决实体多标签和实体嵌套问题 |
| MRC方法 | 先天可以解决多标签问题,通过span矩阵可以解决实体嵌套的问题 | 局限性太大,在多类别数据集和少样本数据集上效果欠佳 |
| 指针方法 | 可通过多层指针解决实体多标签问题 | 分词与分类信息无约束,结果较脏 |
Silver Bullet:
- 可解决多标签问题
- 可解决实体嵌套问题
- 分词和分类任务有约束