CNN-Based Chinese NER with Lexicon Rethinking

基于LR-CNN的中文命名实体识别
作者: Tao Guil , Ruotian Ma1等
单位:复旦大学、Video++
发表会议及时间: IJCAI 2019

思维导图

细节一：CNN融合字符与词级别特征

通过attention机制融合词信息

将每层CNN学到的不同gram的词用多尺度CNN融合

细节二：Rethinking机制

通过增加权重和降低权重的方式寻找最优分词路径

重点：

实验设置及结果分析

数据集
MSRA
Weibo
Chinese resume
OntoNotes4
对比模型
BiLSTM
CNN
Word-level model + char + bichar
Character-level model + bichar + softword
Dilated CNN
Lattice LSTM

总结

关键点：

• 使用CNN进行特征抽取,提高推断速度
• 引入Attention机制,融合字词向量

创新点：

• 使用多层CNN,在不同层融合字词向量
• 使用Rethinking机制,利用全局信息

另外，这篇博客写的不错，也可以参考
IJCAI2019: 面向中文NER 基于lexicon rethinking的CNN模型