摘要

本文介绍了一种基于超图的文档语义实体识别框架HGA，该框架通过超图注意力机制同时关注实体边界和实体类别，从而在文档理解任务中实现更精细的文本表示分析。HGA方法在GraphLayoutLM的基础上构建了新的语义实体识别模型HGALayoutLM，并在多个数据集上展示了其优越的性能，达到了新的技术水平。

原理

HGA方法的核心在于将传统的标记序列分类问题转化为超图构建过程。通过在文本节点之间建立不同类型的超边，模型能够提取语义实体。此外，HGA引入了跨超边位置编码和平衡超边损失，前者使得模型在构建超边时更加关注相同的文本跨度提示，后者则有助于解决某些场景中由于超边类型过多导致的矩阵稀疏问题。

流程

HGA的工作流程包括以下几个步骤：首先，将文档标记特征视为图节点，目标实体是由相同超边连接的节点集合，超边类型代表实体标签类型。接着，通过建立超边在标记特征节点之间，结合跨超边编码添加文本节点的跨度信息，模型能够更好地关注实体边界信息并建立文档离散文本跨度与实体边界的关系。最后，通过多标签分类确定节点是否由超边连接，并选择概率最大的超边来建立连接。

应用

HGA方法在文档智能领域具有广泛的应用前景，特别是在需要精细处理文档结构和语义信息的场景中。随着技术的进一步发展和优化，HGA有望在法律文档分析、财务报表解读、医疗记录处理等多个领域发挥重要作用。