引言

本文是论文End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF的阅读笔记。

本论文提出了一个受益于单词级(word)和字符级(character)表示的网络架构，通过组合双向LSTM，CNN和CRF。

简介

首先通过CNN编码一个单词的字符级信息到相应的字符表征。然后组合字符和单词级表征输入到Bi-LSTM来建模每个单词的上下文信息。在Bi-LSTM的顶部使用CRF同时为整个语句解码标签。

网络架构

字符级表征的CNN

CNN被证明可以有效地抽取形态学(morphological)信息，比如单词的前缀或后缀。

如原文的图1所示，使用CNN抽取给定单词的字符级信息，从上往下看，开始定义了一个字符嵌入，这里给出例子是单词"Playing"，同时包含一些填充字符的字符嵌入被输入到CNN中，经过最大池化后得到单词的固定大小的字符表征，上面的虚线表示使用了Dropout层。

CRF

使用 z