EMNLP 2020
| title | idea | type | SOTA？ |
| Local Additivity Based Data Augmentation for Semi-supervised NER | 对于 mixup 这一类数据增强方法在 序列标注 问题上的改进：在融合两句话的时候，① 挑选的时候用 KNN 挑选？别太接近也别太不接近？ ② 两句话融合的时候用相对熵衡量词的相似度？来对齐? | 数据增强，低资源 | no |
| Entity Enhanced BERT Pre-training for Chinese NER | BERT 是字级别的，想把词级别信息引入预训练模型：基于信息熵，发现新词（就很有可能是 entity？），加入到 Char-Entity-Transformer （式子好复杂看不懂） | 多粒度 | 只在长文本 |
| Counterfactual Generator: A Weakly-Supervised Method for Named Entity Recognition | 少量数据生成大量 counterfactual examples：别人做数据增强是生成差不多的数据，这个是随机替换同类实体，如果“不能让 discriminator 看出是假的”，则留下来。这里推断真假使用结构化推断网络，好难看不懂。这样随机替换实体得到的增强的句子都是更“合理”，也就是满足语义或句法潜规则的，可以让机器更好的学习潜规则？ | 数据增强，低资源 | 低资源（几百条）很有用，充足样本上没做实验 |
| Named Entity Recognition Only from Word Embeddings | 无监督！只需要预训练模型 embedding 里面的语义信息？？！ | 无监督 | no，差二十多 |
| Coarse-to-Fine Pre-training for Named Entity Recognition | 要做一个 NER-specific 的预训练模型：有无穷的 NER 弱监督数据没有被使用（比如维基百科词条，就能直接匹配出实体）。方法：先用阅读理解的方式训练 BERT，得到 entity span（就是哪些词是实体哪些不是），然后用弱监督数据微调 、聚类（同一个标签的实体会很近，因此聚类结果可以作为监督信息） | 改进 PLM | 比 sota 少两个点左右，如果只是用聚类弱监督，就更差了 |
| Simple and Effective Few-Shot Named Entity Recognition with Structured Nearest Neighbor Learning. | 最近邻 + 结构化推断网络 | 小样本学习，领域迁移 | FSL 的SOTA |
| Named Entity Recognition for Social Media Texts with Semantic Augmentation. | 数据增强：句子里的词，用相似的词（预训练模型找语义最接近，再筛选对 NER 有用的）的embedding 拼到一起，做增强？不过社交媒体数据 稀疏、没文法，和咱们任务不太一样 | 数据增强，低资源 | 社交数据集的 SOTA |
| Improving Named Entity Recognition with Attentive Ensemble of Syntactic Information | 引入词性标注、句法树信息、依存信息：在 transformer 和 crf 之间加入 Key-Value Memory Network（看图没看懂，好像是别的文章的；KVNN 输入上述的三类信息），然后再 attention，再过一个 gate（类似 resnet，可以过 KVNN，也可以直通？） | sota，且有中文数据集 | |
| Constrained Decoding for Computationally Efficient Named Entity Recognition Taggers | 现在都是 NN+CRF，CRF 太慢；直接改成一些限制，快两倍 |
ACL 2020
| title | idea | type | SOTA？ |
| Simplify the Usage of Lexicon in Chinese NER | Lattice-LSTM 太复杂，来把它简化：lattice lstm 是修改 LSTM 结构了，本文方法不动 encoder，只在输入的 embedding 上，把每个字向量都用他所在的词的信息加强一下。 | 多粒度 | sota，且有中文数据集 |
| FLAT: Chinese NER Using Flat-Lattice Transformer | Lattice-LSTM 太复杂，来把它简化：直接把所有字、所有词的 embedding（拼上起始位置） 输入 encoder。比 llstm 快了十几倍 | 多粒度 | sota，且有中文数据集 |
| An Effective Transition-based Model for Discontinuous NER | 解决的是“一个 entity 又不连续的几个词组成”的问题，太偏了 | ||
| TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition | 引入 entity trigger（句子里面帮助人识别出实体的关键词，比如“在xx吃”和“那里的菜”都是“餐馆”这类实体的 ett trigger）：attention 从句子的 embedding 选出 entity trigger 的 embedding；NER 的时候，先匹配最接近的一些 trigger embedding，再用这些匹配到的，在 softmax 里加强分数？这篇文章很有意思，要精读一下 | 低资源 | 任务不太一样，是conll03 数据集，不给标注 |
| Improving Multimodal Named Entity Recognition via Entity Span Detection with Unified Multimodal Transformer | 多模态 NER。。。 | 社交数据集 | |
| Bipartite Flat-Graph Network for Nested Named Entity Recognition | 用 GCN 解决实体重叠问题：两个 graph（实体和邻接）分别用 GCN 建模，替代CRF 作为 decoder | nested | 任务不一样 |
| A Unified MRC Framework for Named Entity Recognition | 用 MRC 的方式做 NER：每句话多轮问题，每一轮都是用一种实体的标注的guideline 作为问题，回答就应该是这种类型的实体（或者 null）。具体的做法是，先做 span detection（每个词分类，是否为起始？然后再配对），MRC 就在 span 里面挑答案， | nested | 在普通数据集也是 SOTA，也有中文数据及 |
| Multi-Domain Named Entity Recognition with Genre-Aware and Agnostic Inference | 在 genre（写作风格/结构）不同的文本上，进行迁移：Bi-LSTM后面接个分类器，分类 genre，之前参数全部共享，后面就每个 genre 都不一样？（这么简单也能发文章？不过他画的图上就是这么简单。。。 | 领域迁移 | 任务不一样 |
| Named Entity Recognition without Labelled Data: A Weak Supervision Approach | 无标注，机器自动标注： Gazetteer 远程监督、和一些基于特征的方法标注，标出的乱七八糟的各种各样的数据进 HMM + softmax 找到最优。 | 低资源 | 任务不一样 |
| Pyramid: A Layered Model for Nested Named Entity Recognition | 实体有一个金字塔嵌套结构（这个得看图），网络也整成金字塔结构：先用lample16 准备好 embedding，然后输入金字塔（多个 decoder），每个 decoder 都是 flat（就是不考虑 nested）NER，每个 decoder 认实体的长度不一样。挺有意思，值得深入阅读 | nested | sota 不过没有中文的 |
| Temporally-Informed Analysis of Named Entity Recognition | 考虑文档的时间：在老的数据集上训练模型，在新数据集性能就不行了（很多事物随时间而逝）无关，不看了 | 自己的新数据集 | |
| Improving Low-Resource Named Entity Recognition using Joint Sentence and Token Labeling | NER 和 句子分类同时做？好像就是把两个任务 loss 直接相加，然后改了一下attention？（越南大哥写的文章，例子都看不懂啊 | 低资源 | |
| Embeddings of Label Components for Sequence Labeling: A Case Study of Fine-grained Named Entity Recognition | 序列标注的标签拆开（如 bio 和 PER）， embedding 放到网络里 | 数据分布不均匀 |