标题：Named Entity Recognition with Bidirectional LSTM-CNNs
（于双向LSTM神经网络的命名实体识别）
作者：Jason P .C. Chiu，Eric Nichols
单位: 哥伦比亚大学，本田研究所
发表期刊：CL
发表时间：2016年
论文研究主题归类：自然语言处理
1.论文解决什么问题
本文提出了提出了一种新的神经网络架构，这个架构可以通过使用双向LSTM和CNN的混合模型自动提取单词级和字符级的特征，避免了大量特征工程的工作。
提出了词汇表部分匹配算法，通过BIOES Annotation 去对词汇表中的单词前缀后缀进行匹配。通过引入使用公共资源构建的词汇表，本文的模型在CONLL-2003数据集上取得91.62的F1值，在OneNotes数据集上取得86.28的F1值。
2.是否有公开的数据集及源代码
数据集：CoNLL 2003 Dataset | Papers With Code
DBpedia Dataset | Papers With Code
https://paperswithcode.com/dataset/ontonotes-5-0
源代码：https://github.com/flairNLP/flair
3.论文的主要观点
作者认为命名实体识别是一项具有挑战性的任务，传统上需要特征工程和词典形式的大量知识才能实现高性能。为了处理变长序列，我们可以使用RNN模型，但是为了改变RNN无法提取长距离的依赖，衍生出了LSTM模型。一个双向的LSTM模型能够考虑单词两边的所有有用的信息。