命名实体识别（NER）是指在文本中检测并分类实体片段的任务。当实体片段之间相互重叠时，这个问题被称为嵌套NER。基于片段的方法已被广泛用于解决嵌套NER问题。大多数这些方法会生成一个$n \times n$n×n的得分矩阵，其中$n$n表示句子的长度，每个条目对应一个片段。然而，以往的研究忽略了得分矩阵中的空间关系。在本文中，我们提出使用卷积神经网络（CNN）来建模得分矩阵中的这些空间关系。尽管方法简单，但在三个常用的嵌套NER数据集上的实验表明，我们的模型在使用相同的预训练编码器的情况下超越了若干最近提出的方法。进一步分析显示，使用CNN可以帮助模型发现更多的嵌套实体。此外，我们发现不同的论文对这三个嵌套NER数据集采用了不同的句子分词方法，这会影响比较结果。因此，我们发布了一个预处理脚本以促进未来的比较研究。