論文筆記：Incorporating dictionaries into deep neural networks for the Chinese clinical NER

摘要

融合了字典到深度神經網絡中，解決了一些稀有實體不能被識別的問題。

一、簡介

對每個中文字符，基於字典和上下文設計了5種不同的Schemes來創建特徵向量。
介紹了兩種結構融合特徵向量和字的Embedding向量

二、相關工作

現有工作可分爲四類：(1)基於規則的。(2) 基於字典的。(3) 基於統計機器學習的。(4) 基於深度學習的

三、模型

• Embedding層
• Bi_LSTM層
• CRF層

四、融合詞典信息

N-Gram Feature

前後截取共8個截取段，每一個截取段用0/1標示是哪一類實體，故一個字有8*5=40的向量表示。

PIPE

先根據詞典用BDMM切詞，然後給每一個字一個標籤，表示其屬於哪一類實體。比如一共有5類實體，那麼對每個字，都有一個0/1/2/3/4/5的特徵。

PDET

在PIPE的基礎上，考慮了字在實體中的位置。

五、融合結構

這裏把提取後的特徵進行embedding較好

• 直接拼接
  
• 獨立加工
  

六、實驗結果