命名实体识别（NER）是自然语言处理（Natural Language Processing，NLP）领域的一项基本的任务，
长久以来一直得到学术界和产业界的广泛研究和关注，其在很多应用中已经成为不可或缺的步骤。
NER任务分解通常包括两部分，分别是实体的边界识别和实体类型的确定（通用的实体类型包括人名、地名、机构名、时间或其他），
因此如何提升实体的边界识别和实体类型的识别效果是NER任务研究的关键问题。
目前学术研究主要将NER任务主要分为3类，包括
扁平化NER（Flat NER），指的是从输入文本中抽取连续的实体片段和其所对应的实体类型；
嵌套NER（Nested/Overlapped NER），指的得是从文本中抽取的两个或多个实体，其文本片段之间存在一部分的文字重叠；
非连续NER（Discontinuous NER），指的是从文本中所抽取的实体间存在多个片段，且片段之间不相连，存在其他文本间隔。
1.传统NER方法
基于序列标注的方法是 Flat NER的基准模型，主要对实体的每一个token分配标签进行标注，标注方式如BIO、BIEOS等。
目前比较主流的方法是将CRF模型与神经网络模型进行结合，最后通过CRF层进行预测结果的全局优化。
缺点：传统NER方法将NER作为序列标注问题，只能在单个的序列scan的文本中识别没有重叠的实体，但是不能识别嵌套的实体和非连续实体，
主要原因是很难为所有的NER任务设计一个通用的标注方案。
2.基于span的方法
基于SPAN的方法主要**是列举所有可能的span，并确定它们是否是有效的实体和类型。
方法主要使用包括指针网络或者token对的形式聚焦于实体边界的识别，具体实现如分别设置start指针和end指针，表示实体的开始和结束位置信息。
缺点：实体长度太长，导致模型复杂度较高，无法处理非连续实体。
3.UNER-W2NER方法
基于多头选择和词词关系分类的NER统一模型，可以处理扁平、嵌套、非连续实体。
技巧： 1. 两个三对角添加新特征向量 2. 两个三对角不可能标签给logits添加负无穷项
模型 技巧 F1
w2ner 1+2 0.8345972152955857, 0.909730508808881, 0.9270400580033572, 0.9278426372943335, 0.9405841515796501, 0.9420771026676876, 0.9476399494322042, 0.9481659513950648, 0.949125452522845, 0.9510311523139543
w2ners 2 0.8477401687809022, 0.9086667349105019, 0.9249368085843643, 0.9374889312146751, 0.9374819782976721, 0.9387175353341446, 0.9389445056230484, 0.9454867428804198, 0.9451098394610042, 0.9469598326141472
w2nerss 无 0.4817587540748713, 0.51839437152088, 0.5982731465809729, 0.5662937057292587, 0.6011329169726423, 0.6144854871537585, 0.580637415585378, 0.6130476989508536, 0.622237459466798, 0.6157633045757132
w2nersss 1 0.83033693591679, 0.9154263257421887, 0.9323959412318034, 0.9279299700589223, 0.9186982399522794, 0.9434084001360408, 0.9337641677919595, 0.9466036109054311, 0.9486036678331584, 0.9511612414311411
结论：两个技巧至少使用一个。