文本信息抽取模型介绍——实体抽取方法：NER模型（下）

3.1.4 常用的实体抽取模型

Lattice LSTM

新加坡科技设计大学的研究者2018年在论文《Chinese NER Using Lattice LSTM》中提出了新型中文命名实体地识别方法Lattice LSTM。

作为信息抽取的一项基本任务，命名实体识别（NER）近年来一直受到研究人员的关注。该任务一直被作为序列标注问题来解决，其中实体边界和类别标签被联合预测。英文 NER 目前的最高水准是使用 LSTM-CRF 模型实现的，其中字符信息被整合到词表征中。

中文 NER 与分词相关。命名实体边界也是词边界。执行中文 NER 的一种直观方式是先执行分词，然后再应用词序列标注。然而，分割 → NER 流程可能会遇到误差传播的潜在问题，因为 NE 是分割中 OOV 的重要来源，并且分割错误的实体边界会导致 NER 错误。这个问题在开放领域可能会很严重，因为跨领域分词仍然是一个未解决的难题。已有研究表明，中文 NER 中，基于字符的方法表现要优于基于词的方法。

lattice LSTM算法原理：

基于字符的 NER 的一个缺陷在于无法充分利用显性的词和词序信息，而它们是很有用的。为了解决这一问题，研究者利用 lattice LSTM 来表征句子中的 lexicon word，从而将潜在词信息整合到基于字符的 LSTM-CRF 中。如图 1 所示，研究者使用一个大型自动获取的词典来匹配句子，进而构建基于词的 lattice。因此，词序如「长江大桥」、「长江」和「大桥」之类的单词序列来消除上下文中潜在相关命名实体的歧义，如人名「江大桥」。

由于在网格中存在指数级数量的词-字符路径，因此研究者利用 lattice LSTM 结构自动控制从句子开头到结尾的信息流。如图 2 所示，门控单元用于将来自不同路径的信息动态传送到每个字符。在 NER 数据上训练后，lattice LSTM 能够学会从语境中自动找到更有用的词，以取得更好的 NER 性能。与基于字符和基于词的 NER 方法相比，lattice LSTM提出的模型的优势是具有利用显式单词信息进行字符序列标记的优势，而且不会出现分词错误。。

结果表明，lattice LSTM模型显著优于基于字符的序列标注模型和使用 LSTM-CRF 的基于词的序列标注模型，在不同领域的多个中文 NER 数据集上均获得最优结果。

算法模型：

研究者遵循最好的英文 NER 模型，使用 LSTM-CRF 作为主要网络结构。形式上，指定输入句子为 s = c1，c2，…， cm，其中 cj 指第 j 个字符。s 还可以作为词序列 s = w1，w2， …，wn，其中 wi 指句子中的第 i 个词，使用中文分词器获得。研究者使用 t(i, k) 来指句子第 i 个词中第 k 个字符的索引 j。以图 1 中的句子为例。如果分词是「南京市 长江大桥」，索引从 1 开始，则 t(2, 1) = 4 (长)，t(1, 3) = 3 (市)。研究者使用 BIOES 标记规则进行基于词和基于字符的 NER 标记。

Character-Based Model：

在基于字符的模型中，使用LSTM-CRF对子序列c1，C2，…，cm建模，每个c j的表示为下：

ec表示字嵌入的查找表，即xc j；表示查找到的第j个字符的向量

双向的LSTM使用x1,x2，·．·，xm得到双向的隐藏状态，每个字的隐藏状态向量表示为：

标准CRF模型会使用 hc 1，hc 2，；...，hc m进行序列标注，得到对应的实体信息。

Word-Based Model：

基于词汇的模型如图（b）所示。它采用单词嵌入e w（w I ）表示每个单词w I ：