<Paper Reading Series>
本文基于文章：Neural Chinese Medical Named Entity Recognition with Dictionary Knowledge
- 研究背景
- 前人的解决方式
- 模型核心思想
- 具体实现细节
- 实验结果
- 结论
研究背景
TODO
前人的解决方式
TODO
模型核心思想
在普通的BiLSTM+CRF的NER框架基础上，加入针对中文的额外编码方式和医学领域词典信息，进一步增强了模型的表现。
具体实现细节
模型总框架
- 亮点1:
除了character embedding外，增加了中文偏旁编码和拼音编码的方式，将所有embedding方式concat，然后输入编码器。 - 亮点2:
利用NER词典进行增强。
词典示例如下：
“下肢”：body parts
“水肿”：symptom
...
增强方式分为两种：模式匹配和共同训练
1. 模式匹配
基于准确的模式匹配，直接得到input sentence的 Term Matching Embedding，加入joint embedding集合。
2.共同训练
由于文本中某些信息和dictionary中是同一个意思，但是不完全相同，模式匹配无法匹配到，因此采用共同训练的方式，即通过训练使CNN layer学到词典中NER的knowledge。
实验结果
TODO
结论
TODO
