非结构化文本中存在着大量以名称为标识的实体,这些实体被称为命名实体。作为非结构化文本中的重要成分,命名实体能够为下游任务提供丰富的信息,有助于提升下游任务的性能。为了识别非结构化文本中的命名实体,研究者提出了许多命名实体识别方法,其中序列标注方法取得了良好的效果。但是,由于某些命名实体存在嵌套结构,传统的序列标注方法在识别嵌套命名实体时遇到了挑战。当前的基于候选区域的嵌套命名实体识别模型在识别嵌套命名实体方面取得了一定的进步,其中大多数模型先通过实体边界识别获得准确的候选区域,再对候选区域进行实体类型分类来得到嵌套命名实体。这些模型虽然通过边界识别减少了非实体区域的输出,但也容易遗漏某些实体区域,导致边界识别的性能限制了嵌套命名实体识别的性能。为了提升边界识别的性能,本文基于数据观察,提出利用实体类型信息来辅助实体边界识别。基于此,本文提出了基于多智能体通信的嵌套命名实体识别模型。该模型中的多智能体通信模块通过实体类型标注模块来获得实体类型信息,并通过注意力机制使得边界标注模块能够在边界识别过程中利用实体类型信息。这提升了实体边界识别的性能,从而提升了嵌套命名实体识别的性能。然而,由于本文沿用之前工作以配对实体起始边界和结尾边界的方式来获得候选区域分类阶段所需的训练数据,导致本文提出的模型容易将边界错误的候选区域误识别为实体。边界错误的实体会给下游任务带来噪声,可能降低下游任务的性能。为了在候选区域分类时过滤边界错误区域,本文提出了负样本扩充策略和多任务候选区域分类策略。负样本扩充策略将边界错误区域作为负样本,引导模型学习如何区分正确实体与边界错误区域。多任务候选区域分类策略通过实体词标注任务与多任务学习来增强候选区域的表示,帮助模型过滤边界错误区域。本文在三个嵌套命名实体识别数据集上进行了实验,实验结果验证了本文提出模型和两个改进策略的有效性。