Explicitly Capturing Relations between Entity Mentions via Graph Neural Networks for Domain-specific Named Entity Recognition
题目：《通过图神经网络显式地捕获实体项之间的关系，用于特定领域命名实体识别》
使用图注意力网络：（首先将同一个实体的重复提及连接起来，将文档中反复出现的提及连接起来，既可以整合上下文线索，也可以对其实体类型进行一致的预测；然后基于句子级别的依存关系连接实体指称，以有效识别语义相关的实体。针对标注不足的情况，通过制定一个学习曲线，确定在有限的标注可用的情况下使用该轻量级方法学习到特征。）
方法概述
框架主要包含5层：嵌入层、编码层、GNNs层、融合层和解码层
Embedding Layer
- 选择基于BERT的LM作为嵌入层。对于特定领域的数据集，使用BioBERT 用于生物医学领域，SciBERT用于行星科学领域
- 对一个文档：D=[w1, w2, … , wn] (n个词)：BERT输出一个上下文词嵌入矩阵E=[w1, w2, … , wn]
Encoding Layer
BiLSTM对BERT的词嵌入进行编码，将前向和后向LSTM隐藏状态concate为编码表示，为每个词获得一个d2维向量的嵌入矩阵
Graph Neural Networks Layer
利用实体间的全局共指关系（共指图, C -图）和局部依赖关系（依赖图, D-图）构建实体关系图，然后GNN将它们融入到单词表示中。
