mrc-for-flat-nested-ner
mrc-for-flat-nested-ner 是一个基于机器阅读理解（MRC）框架的命名实体识别（NER）开源项目，源自 ACL 2020 的研究论文。它旨在解决传统 NER 模型难以同时高效处理“扁平化”和“嵌套式”实体标注的难题。在传统方法中，嵌套实体（即一个实体内部包含另一个实体）往往需要复杂的特殊设计，而 mrc-for-flat-nested-ner 创新性地将实体识别任务转化为机器阅读理解问题：通过构建针对特定实体类型的自然语言问句，让模型像回答问题一样从文本中定位实体。这种统一的建模范式不仅简化了模型架构，还显著提升了对复杂嵌套结构的识别能力。
该工具非常适合自然语言处理领域的研究人员和开发者使用，尤其是那些希望复现前沿学术成果、探索 MRC 在序列标注中应用，或需要在实际业务中处理复杂嵌套实体场景的技术团队。项目基于 PyTorch Lightning 构建，提供了完整的数据预处理脚本、训练流程、评估代码及推理示例，支持用户快速上手并自定义数据集。无论是进行学术实验还是工业级模型部署，mrc-for-flat-nested-ner 都为处理高难度 NER 任务提供了一套灵活且高效的解决方案。
使用场景
某医疗科技公司的 NLP 团队正在构建临床病历实体抽取系统，需要从非结构化文本中精准识别药物名称、剂量及复杂的嵌套并发症描述。
没有 mrc-for-flat-nested-ner 时
- 模型架构割裂：团队需分别维护两套代码，一套用序列标注处理扁平实体（如药名），另一套用跨度分类处理嵌套实体（如“慢性阻塞性肺病急性加重”中包含的疾病与状态），开发成本翻倍。
- 长尾实体识别难：传统方法对训练数据中未出现的新实体类型泛化能力差，每次新增一种病历标签都需要重新设计输出层并全量微调模型。
- 边界模糊误差大：面对嵌套结构，常规模型难以判断实体确切起止位置，常将“左肺下叶结节”错误拆解或遗漏层级关系，导致后续知识图谱构建失败。
使用 mrc-for-flat-nested-ner 后
- 统一框架降本：利用机器阅读理解（MRC）范式，将扁平与嵌套任务统一转化为问答形式，仅需一套模型即可同时处理所有类型的实体抽取，代码维护量减少 50%。
- 零样本快速扩展：新增实体类型只需构造对应的自然语言问题（如“哪些是过敏史？”），无需修改模型结构或重新训练，极大提升了业务迭代速度。
- 嵌套解析更精准：通过提问方式显式引导模型关注特定语义范围，有效解决了实体边界重叠难题，在测试集上将嵌套实体的 F1 值提升了 8.5 个百分点。
mrc-for-flat-nested-ner 通过将命名实体识别重构为统一的问答任务，彻底打破了扁平与嵌套场景的壁垒，实现了高精度与高灵活性的双重突破。
运行环境要求
- 未说明
非必需（支持 CPU），若使用 GPU 需 NVIDIA 显卡且安装 CUDA 10.1
未说明
快速开始
用于命名实体识别的统一MRC框架
该仓库包含了Shannon.AI近期研究进展的代码。
用于命名实体识别的统一MRC框架
李晓娅、冯景荣、孟宇贤、韩庆红、吴飞和李继伟
发表于ACL 2020。论文
如果您觉得本仓库对您有帮助，请引用以下文献：
@article{li2019unified,
title={A Unified MRC Framework for Named Entity Recognition},
author={Li, Xiaoya and Feng, Jingrong and Meng, Yuxian and Han, Qinghong and Wu, Fei and Li, Jiwei},
journal={arXiv preprint arXiv:1910.11476},
year={2019}
}
如有任何问题，欢迎在GitHub上提交Issue。
安装要求
代码需要Python 3.6及以上版本。
如果您使用的是配备CUDA 10.1的GPU机器，请运行
pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html来安装PyTorch。否则，请参阅PyTorch官方网站获取安装说明。然后运行以下脚本以安装其余依赖：
pip install -r requirements.txt
我们基于pytorch-lightning构建项目。 如果您想了解更多关于我们训练脚本中使用的参数，请参考pytorch-lightning文档。
基线：BERT-Tagger
我们发布了用于微调BERT并将NER视为序列标注任务的代码、脚本和数据文件。
MRC-NER：准备数据集
您可以从这里下载我们在论文中使用的预处理过的MRC-NER数据集。
对于扁平型NER数据集，请使用ner2mrc/mrsa2mrc.py将您的BMES格式的NER标注转换为MRC格式。
对于嵌套型NER数据集，请使用ner2mrc/genia2mrc.py将您的起止位置格式的NER标注转换为MRC格式。
MRC-NER：训练
主要的训练流程位于train/mrc_ner_trainer.py中。
用于复现我们实验结果的脚本可以在./scripts/mrc_ner/reproduce/文件夹中找到。
请注意，您需要将DATA_DIR、BERT_DIR和OUTPUT_DIR分别替换为您自己的数据集路径、BERT模型路径和日志路径。
例如，运行./scripts/mrc_ner/reproduce/ace04.sh将开始训练MRC-NER模型，并将中间日志保存到$OUTPUT_DIR/train_log.txt。
在训练过程中，模型会每隔val_check_interval个epoch自动在验证集上进行评估，并将表现最好的前k个检查点保存到$OUTPUT_DIR。
MRC-NER：评估
训练完成后，您可以根据$OUTPUT_DIR/train_log.txt中的评估结果，在验证集上找到最佳检查点。
然后运行python3 evaluate/mrc_ner_evaluate.py $OUTPUT_DIR/<best_ckpt_on_dev>.ckpt $OUTPUT_DIR/lightning_logs/<version_0/hparams.yaml>，使用在验证集上选出的最佳检查点在测试集上进行评估。
MRC-NER：推理
用于使用训练好的MRC-NER模型进行推理的代码可以在inference/mrc_ner_inference.py文件中找到。
对于扁平型NER，我们提供了推理脚本flat_inference.sh。
对于嵌套型NER，我们提供了推理脚本nested_inference.sh。
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。