论文笔记：Chinese NER Using Lattice LSTM Yue

摘要

文章提出了一种将【字】和所有【潜在词组】作为输入的模型。其有以下优势：

• 对于基于字的方法：模型利用了词组的信息
• 对于基于词的方法：模型设计了门控机制，解决了分词错误问题。

一、简介

文章为了在避免分词错误的情况下利用词信息，设计了一种Lattice LSTM的结构，其可以自动学习一些词组，作为输入。示意图如下：

二、模型

2.1 基于字的模型

模型概略图如下所示：

其中，输入又可以更加详细地分为以下三种：

• 单独的字:
  
• 当前字和后面一个字拼接：
  
• 当前字和当前字所在切割词的标签（使用BMES标记形式）
  

2.2 基于词的模型

模型概略图如下所示：

其中，输入又可以更加详细地分为：

• 单独的词
  
• 词+Char LSTM
  
  
• 词+Char CNN
  

2.3 Lattice Model

该模型的具体解释可以参看此博客.

三、实验结果

由于数据集较多，就不一一写出来了，不过实验结果确实证明了Lattuce模型的有效性，并且能够解决一些具有歧义句子的命名实体识别问题，如下图所示：

指导性结论

• 对于中文NER来说，基于字符的NER比基于词的NER表现更好