摘要

文章设计了一种利用外部词典加强命名实体识别的方法，整个模型大致分为【Inner-Region Encoder】、【Attentive Context Encoder】、【Utterance Encoder】三个部分， 模型概略图如下所示：

该模型有助于解决缺乏训练数据的场景

一、模型

【Inner-Region Encoder】: 对应模型图的(a)部分左侧，其使用下式编码实体:

其中$h_i^A$hiA​为该实体的第一个词，$h_j^A$hjA​为该实体的最后一个词。整个$\mathbf{s_{ij}}$sij​代表了Name Knowledge.

【Attentive Context Encoder】：对应模型图的(a)右侧部分，其使用下式编码实体：


即使用Name Knowledge的向量作为query vector对句子中的其他单词进行Attention，最后得到的$\mathbf{c_{ij}}$cij​代表了Context Knowledge

【Gazetteer-Enhanced ANN】：即对应模型图的(b)部分，使用下式进行编码

其中$s$s为sigmoid函数，$u$u是通过(1)式得到的实体向量表示，然后通过多标签、多类别交叉熵损失函数对网络进行训练：

二、结果

可以看到，在ACE2005数据集上，该模型较BaseLine有较大的提升，并且也能在Bert模型的基础上进行Fine Tune.

三、疑惑

• 每一句话的可能的候选区域(比如【George Washington】)是怎么得到的呢？文中似乎没有提到…
• 式(5)中，$g_u'$gu′​是one-hot向量吗，可是见图一(b), 不是可能含有多个Type吗？
  
• 命名实体识别的目标是识别出一句话中的实体，但是在这个网络中，要识别的实体已经存在于词典(Gazetteer)中了，也就是我们应该已经知道了实体的类别了，那识别它还有什么用呢？遇到不在Gazetteer中的实体，似乎我们又没办法使用该方法。