Named Entity Recognition with Bidirectional LSTM-CNNs（于双向LSTM神经网络的命名实体识别）论文阅读

标题：Named Entity Recognition with Bidirectional LSTM-CNNs

（于双向LSTM神经网络的命名实体识别）

作者：Jason P .C. Chiu，Eric Nichols

单位: 哥伦比亚大学，本田研究所

发表期刊：CL

发表时间：2016年

论文研究主题归类：自然语言处理

1.论文解决什么问题

本文提出了提出了一种新的神经网络架构，这个架构可以通过使用双向LSTM和CNN的混合模型自动提取单词级和字符级的特征，避免了大量特征工程的工作。

提出了词汇表部分匹配算法，通过BIOES Annotation 去对词汇表中的单词前缀后缀进行匹配。通过引入使用公共资源构建的词汇表，本文的模型在CONLL-2003数据集上取得91.62的F1值，在OneNotes数据集上取得86.28的F1值。

2.是否有公开的数据集及源代码

数据集：CoNLL 2003 Dataset | Papers With Code

DBpedia Dataset | Papers With Code

https://paperswithcode.com/dataset/ontonotes-5-0

源代码：https://github.com/flairNLP/flair

3.论文的主要观点

作者认为命名实体识别是一项具有挑战性的任务，传统上需要特征工程和词典形式的大量知识才能实现高性能。为了处理变长序列，我们可以使用RNN模型，但是为了改变RNN无法提取长距离的依赖，衍生出了LSTM模型。一个双向的LSTM模型能够考虑单词两边的所有有用的信息。