论文笔记整理：吴涵，天津大学硕士，研究方向：自然语言处理
Paper:https://www.aclweb.org/anthology/P19-1430/
Code:https://github.com/thunlp/Chinese_NRE
引入
中文NER问题在很大程度上取决于分词的效果，所以在中文NER问题中，学者们通常先对文本进行分词然后再预测序列中单词的类别。这样一来会导致一个问题，即在分词中造成的错误会影响到NER的结果。
如果单纯采用字向量的话会导致拆开了很多并不应该拆开的词语，从而丢失了它们本身的内在信息（比如“人生”这个词如果拆成字向量就成了“人”和“生”，这两个字的单独含义明显与它们组合起来的词的含义大相径庭）。为了解决这个问题，该论文使用了一种新型的格子结构（latticestructure），它能够将单词本身的含义加入基于字向量的模型中，并引入义原作为外部知识。
文章摘要
本文在ACL2018的一篇论文《ChineseNER Using Lattice LSTM》上加以改进，加入了义原作为外部知识，可以更好地理解语义信息。
由于同时考虑了词格作为一个cell，自然网络中路径就变多，所以要对于基本的LSTM网络的计算公式加以修改：
对词格结尾的字符（如图中的“市”）进行计算时，会有一点不同：由于向“市”的cell有两个信息流的输入，故需要再加一个inputgate，两个门同时通过不同的信息流，需要设置权重：
本文模型：引入义原作为外部知识
加入义原后，计算时，在词格cell状态的计算上考虑不同义项带来的影响，并为不同的义项设置不同的权重：
实验结果：
通过与基于词粒度和字符粒度模型进行比较，可以得出，加入义原的多粒度模型可以获得更好的效果，同时，词格模型也是性能提升的重要原因。
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。
