《A Hierarchical Multi-task Approach for Learning Embeddings from Semantic Tasks》论文

论文链接：https://arxiv.org/pdf/1811.06031.pdf

word embedding:用三种向量来表示，glove，eImo，CNN-feature 连接得到向量ge

NER:bilstm+crf(第一层encoder) 得到向量gner

Entity Mention Detection:bilstm+crf（第二层encoder） 将[ge，gner]拼接作为输入 检测实体的指代词 比如说[妈妈，她]

predicate layer:编码器将[ge，gemd]的连接作为输入，并输出表示为gcr的表示

Coreference Resolution ：共指消解，该文章是基于span的，mention为枚举出来的，本文设置了一个打分机制，从而将候选的共同提及与其他区间区分开来，编码器将[ge，gemd]的连接作为输入，并输出表示为gcr的表示，然后将这些表示提供给mention pair计分器。

RE:RE编码器是一个多层BiLSTM，它以[ge,gemd]为输入，输出gre，对gre进行分类