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）：
双向LSTM可以捕捉字母拼写的一些规律（前缀，后缀，词根）, 预训练的embedding可以捕捉全局上单词间的相似度。两者结合我们得到了更好的词嵌入（embedding）。
有词嵌入表征是远远不够的，我们要有效利用这些embedding处理NER问题，一个NER预测问题和一般的机器学习差别不大：给出一个训练集（已经标注过命名实体的文档集），用测试集（未标注命名实体的文档）上的NER识别率来评价模型。
论文中为了提高上述的命名实体识别率，结合了两方面评估：
-
对于词性tag的下一个单词可能词性tag的建模（如“吃”这个动词后大概率是类似“食物”（“饭”，“面条”等）的实体，“吃”后面极少跟“地点”的实体）
- 对于一个单词（抛去词性），同时结合上下文单词，这个单词最可能的命名实体。
上述的第2点可以用双向LSTM建模（输入是我们之前提到的单词embedding），第1点可以用条件随机场（CRF）建模（与马尔科夫链相似）。两点结合后的模型架构如下：
其中最底层的（word embedding）就是我们前面提到的单词embedding。
中间层（Bi-LSTM）l 代表单词左侧的上下文特征， r 代表单词右侧的上下文特征，c 代表了左右两侧的合成。
最高层（CRF）把单词tag之间的关系建模，提高NER准确率。
落实到损失函数，文中也用了上述两方面的因素（tag到tag的转移率，单词是某个tag的概率）：
其中，X=(x1, x2, . . . , xn) , 代表一个序列的句子 ，
y = (y1, y2, . . . , yn)， 代表对上述序列的tag预测
s（X，y）即对本次预测的打分（score）
第一部分矩阵 Ayi,yi+1 代表tag yi 转移到后一个tag yi+1的可能性的打分
第二部分矩阵 Pi,yi 是第i个单词预测为tag yi 的可能性。
最后看一下实验数据：
如预想的，LSTM-CRF如果没有使用单字符的embedding提取，结果会稍逊色一些。
另外，出来LSTM-CRF，文章还使用了层叠Stack LSTM的算法识别命名实体，感兴趣可以继续阅读原论文。
参考文献：
- Neural Architectures for Named Entity Recognition
- http://eli5.readthedocs.io/en/latest/tutorials/sklearn_crfsuite.html
- https://github.com/glample/tagger
- https://github.com/clab/stack-lstm-ner
- http://www.datacommunitydc.org/blog/2013/04/a-survey-of-stochastic-and-gazetteer-based-approaches-for-named-entity-recognition-part-2
推荐阅读：
在NLP中深度学习模型何时需要树形结构？
【深度学习实战】pytorch中如何处理RNN输入变长序列padding
【机器学习基本理论】详解最大后验概率估计（MAP）的理解
欢迎关注公众号学习交流~