论文笔记：Comparing CNN and LSTM character-level embeddings in BiLSTM-CRF models for chemical and disease

主要工作

主要目标是生物医学、化学和疾病命名实体识别，基于原来的CNN和LSTM模型加了字符向量。CNN训练速度更快，因为参数更少。

数据集

BioCreative VCDR corpus (Li et al., 2016).

• 1000篇手工标注的摘要用于训练和验证，大概9193条句子
• 500偏手工标注的摘要用于测试，大概4840条句子

也用到了一个预处理过的此数据集版本，提供了POS-，chunking和gazetteer-based标签

• POS 和 chunking tags 使用GENIA tagger (Tsuruoka et al., 2005)，提供了命令行版本解析工具，地址http://www.nactem.ac.uk/GENIA/tagger/
• Gazetteer tags通过与外部化学词典匹配，在生物标记方案中对地名表标签进行编码，参考论文[4]

实验

主要参考论文[1]中的实验细节。
训练集、验证集9:1

模型

主要实现了以下方法：

• BiLSTM模型 + softmax层
• BiLSTM-CRF，参考论文[2]
• BiLSTM-CRF + CNN-char，参考论文[3]
• BiLSTM-CRF + LSTM-char ，参考论文[5]
  也考虑了外部特征，主要参考[1]

细节

BiLSTM-CRF-based 模型主要参考：
https://github.com/UKPLab/emnlp2017-bilstm-cnn-crf

<