论文阅读，原文。来自ACL 2020。
概述
提出了一个处理嵌套NER和平面NER的统一框架，将NER处理为机器阅读理解任务（MRC）。而非序列标注问题。每个实体通过自然语言的形式查询，比如PERSON的标签分配通过回答“文本中提到了谁”的问题来实现。
可见相比序列标注问题，其可以解决嵌套实体问题。除此之外，序列标注只是标签的简单索引，并没有任何语义信息，而MRC问题中提供了关于实体类别的详细描述等先验信息。
1 | 例如，查询“在上下文中查找公司、机构和单位等组织”不仅告诉模型需要查找“组织”类型的实体，还提供了“公司、机构和单位”这些具体的例子。 |
模型
输入
我们将带有标记的数据集转化为（question，answer，context）三元组。每个标签类型关联到一个自然语言问题，即question。一个标注的实体是一个连续的字符片段，即answer。实体所在的输入序列 X 即context。
question的设定参考了标注指南笔记，其常用来给予人工标注者数据指导，如下。
MRC使用采用BERT，将问题q_y和序列x拼接（即充当BERT中的句子A，B）组成token序列，{[CLS], q1, q2, …, qm, [SEP], x1, x2, …, xn}，其经过BERT得到上下文表示矩阵E_n*d，可以看到我们忽略了question的嵌入。
跨度的选择
我们使用两个二元分类器，一个预测token是否为起始索引，一个预测token是否为结束索引。
1 | 另一种可用的方法是采用两个n类分类器，即在n个token中选择是“起始，结束”类别的token。 |
由嵌入矩阵E，每个标记作为起始索引的概率为
T是要学习的参数，
结束索引同理，将start更改为end即可。
索引匹配
每个question会对应很多实体，因此起始终止索引也不唯一，如何将同属一个实体的索引匹配呢？
我们找到所有可能是起始索引和终止索引的集合。
对于集合的任意始终索引对，训练二e分类模型预测其是否匹配
m是要学习的参数。
训练及测试
训练时，X与长为n的两个标签序列Ystrart，Yend配对，对于索引的预测，使用交叉熵损失（CE）。
索引匹配的损失为
总体loss
$\alpha$等是设定的超参数，依规定各部分对总loss的贡献。三个loss端到端的方式联合训练，并在bert共享参数，即使用相同的bert嵌入。
测试时，集合中选择对应索引组合，输入匹配模型最终得到答案。
实验
略。