Chinese NER Using Lattice LSTM【ACL2018】

1. 论文主要要点

1. 提出先验词的网格结构：

2. 基于上述网格结构，设计Lattice-LSTM，用于融合先验词信息：

实现细节

以字粒度LSTM模型未基础，融入单词网格信息：

• 单词如“南京市”，表示为向量，由预训练词向量如Word2Vec表示
• 并通过一个与LSTM Cell相同的运算，得到单词Cell State，以及一个类似于Input Gate的结果【注意这里使用是词向量，不是字向量】用于跟原本LSTM中的Input Gate去计算权值【word level 没有Output Gate】：

• char和word两部分的Input Gate进行归一化，并通过加权求和计算最终的Cell State【只是为了计算单词特征权值，感觉没必要弄得这么复杂】：

模型效果：

感觉提升比较有限

• 模型缺点：

1. 结构复杂，每匹配一个词就多一步Cell计算
2. 性能低下，因为其特殊的网格结构，每条query计算结构不统一，故而无法实现batch的训练和预测
3. 每个单词的词信息只在单词结尾字才能获取到
4. 需要使用词向量，无法添加新词