论文阅读总结——Chinese NER Using Lattice LSTM

论文阅读总结——Chinese NER Using Lattice LSTM

这是本人的第一篇博客，经验尚浅，还望多多指教

博主最近在做中文命名实体识别（以下简称 NER），期间阅读了相关文献，在此对一些文章进行介绍和总结，加深印象，加深理解。

本文讲述今年发表在 ACL 的文章《Chinese NER Using Lattice LSTM》，作者是来自新加坡科技设计大学的 Yue Zhang 和 Jie Yang。

---

进入正题之前，先说明一下 NER 的研究现状。方法上大体分为两类：基于统计机器学习、基于深度学习。近年来，硬件的飞速发展使得计算机的计算能力大幅度提升，再加上互联网普及产生的海量数据的支持，深度学习得以走出低谷，迎来了新一轮热潮。深度学习以神经网络为基本结构，因其具有从大量无标注语料中获取潜在语义信息的能力，使得研究者不必花时间去了解特定领域和语言学知识，也无需人工提取大量特征，有效地避免了人工特征工程的费时费力。尽管深度学习在文字处理方面的提升效果不如在视频、图像和语音那样显著，但是越来越多的研究者在 NLP 领域提出了各种各样的模型结构，使用 Deep Learning 处理 NER 问题正逐渐成为趋势。

目前英文NER效果最佳的模型是 LSTM-CRF，对于中文 NER，也可以使用这种模型。不过，中文文本不同于英文文本，需要预先对其进行分词（基于字的方法），尽管分词工具有很多（中科院 ICTCLAS、哈工大语言云、Python的 jieba 和 SnowNLP 等），但是分词效果不太可能是完美的。通俗来说，NER就是通过序列标注对实体边界和实体类别进行预测，从而识别和提取出相应的命名实体。所以，一旦出现分词错误，就会直接影响实体边界的预测，导致识别错误，这在开放领域是很严重的问题。

为了