用于嵌套命名实体识别的边界回归模型

基于摘要分析。本文研究自然语言文本中的嵌套命名实体识别，将实体在句子中的位置表示为连续值，并通过边界回归定位实体，提出同时进行候选分类与位置细化的 Boundary Regression（BR）模型。 其核心机制是多目标学习：一方面预测命名实体候选的分类分数，另一方面修正候选在句子中的位置，并在分类与定位任务之间共享参数。相较于摘要所述以词或实体候选的类别标签预测为主的识别方式，该方法将边界调整显式纳入学习过程，以处理嵌套实体。具体位置编码、候选生成方式、回归目标、损失权重及嵌套冲突处理规则尚未验证。 作者报告模型在嵌套命名实体识别实验中达到当时的 state-of-the-art 表现，但摘要未提供数据集、数据划分、评价指标、具体分数或对照方法，无法据此判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证。摘要提供了 BR 实现的代码地址，但代码可用性与复现条件尚未核验。 该研究的直接对象是文本实体及其句内边界，而非神经信号或 BCI 解码。材料未提供 EEG/BCI 验证，不能将实体边界定位效果解释为神经事件定位能力；相关 EEG 工作尚未检索确认。