当RNN神经网络遇上NER（命名实体识别）：双向LSTM，条件随机场（CRF），层叠Stack LSTM， 字母嵌入

正文

命名实体识别 (NER) 是 语义 理解中的一个重要课题。NER就像自然语言领域的“ 目标检测 ”。找到文档D 中的名词实体还不够，许多情况下，我们需要了解这个名词是表示 地点（location） ， 人名（Person） 还是 组织（Organization） ，等等：

上图是 NER 输出一个句子后标记名词的示例。

在神经网络出现之前，几乎所有NER半监督或者非监督的方法，都要依靠 手工的单词特征 或者 外部的监督库（如gazetteer） 达到最好的识别效果。

手工的单词特征 可以方便提炼出类似 前缀，后缀，词根 ，如：

-ance ， —ancy 表示：行为，性质，状态/ distance距离，currency流通
-ant，ent 表示：人，…的/ assistant助手,excellent优秀的
– ary 表示：地点，人，事物/ library图书馆，military军事

可以知道-ant结尾的单词很可能是指 人 ，而-ary结尾更可能指的 地点 。

而 外部的监督库（如gazetteer） ，把一些 同种类的实体 聚合在一起做成一个库，可以帮助识别同一个意思的实体，如：

auntie 其实和 aunt 一个意思： 姨妈

Mikey 其实是 Mike 的昵称，都是 人名

今天所讲的 这篇卡内基梅隆大学的论文 ，用RNN神经网络的相关技术避开使用这些 人工特征，并能达到与之相当的准确率。

为了获取上述的 前缀，后缀，词根等相关特征 ，文章对每个单词的每个字母训练一个双 向LSTM ，把 双向LSTM 的输出作为单词的特殊embedding，和预训练eStack LSTM的算法识别命名实体，感兴趣可以继续阅读原论文。mbedding合成最后的词嵌入（ final embedding ）：

请到「今天看啥」查看全文