1 简介
这篇论文的主要贡献是两个神经网络结构。一个是现在常见的 BiLSTM + CRF，另一个是受到 shift-reduce parsers 启发的网络结构，其中利用了 Stack-LSTM 来计算中间内容的向量表示。话不多说，直接切入讲网络结构，然后以 QA 的形式讨论其他细节。
2 LSTM-CRF Model
网络结构如下，不过这里其实少了一层 Linear 层。在论文 2.3 节中，说到 "These representations are concatenated and linearly projected onto a layer whose size is equal to the number of distinct tags"。在 BiLSTM 层和 CRF 层中间，还需要一个 Linear 层，将 BiLSTM 输出的维度映射成 CRF 需要的维度。CRF 需要的维度是多少呢? 论文说和不同标签的个数相等。前面的网络学习到的其实是 CRF 层中的 emission 分数!! 损失函数利用 CRF 的损失函数即可。
3 Transition-Based Chunking Model
3.1 transition-based parsers
这个方法受到 transitioni-based parsers 的启发，作者设计了如下动作。借助两个栈，Stack 和 Buffer，定义了三种动作来 parse 一个句子。SHIFT 将 Buffer 中的栈顶元素移入 Stack。REDUCE(y) 将 Stack 中的所有元素向量化之后移入 Out，Out 只增多一个元素。Figure 2 还保留了 S，不过在 Figure 3 中是全部移除的。OUT 直接将 Buffer 中的栈顶元素带着标签向量化之后移入 Out。（ps. 这里说的三种动作并非三个动作，这三种动作中 REDUCE(y) 可以衍生出很多个动作，比如 REDUCE(PER), REDUCE(LOC) 等）
"Mark Watney visited Mars"，它的标注可以是："B-PER I-PER O B-LOC"。如果我们要使用这个方法，我们不能使用这种标注格式了，在输入之前，需要将标记序列转化为动作序列。作者没有给出处理方法，我这里提供一个将 BIO 转为动作序列的思路。第一步，在每个实体的最后插入一个 REDUCE(y)，其中 y 对应实体的类型。第二步，将所有的 B-X, I-X 直接转为 SHIFT。第三步，将 O 转为 OUT。比如：
- Mark Watney visited Mars
- B-PER I-PER O B-LOC
- B-PER I-PER REDUCE(PER) O B-LOC REDUCE(LOC)
- SHIFT SHIFT REDUCE(PER) O SHIFT REDUCE(LOC)
- SHIFT SHIFT REDUCE(PER) OUT SHIFT REDUCE(LOC)
3.2 Stack-LSTM
[2] 介绍了一个使用了栈的 LSTM。传统的 LSTM 中，一个神经元输入的隐状态来自上一个神经元的输出。Stack-LSTM 特别之处在于使用了栈，一个神经元输入的隐状态来自于栈顶元素。栈顶元素可以是前面任意一步的结果。
3.3 Model
接下来就是模型了。
论文中 3.1 节介绍的有点太概括了，我这里是看 [1] 理解的网络结构。3.1 节说将四个部分输入到 Stack-LSTM 进行向量化(取 LSTM 最后的输出)，这四部分是：Stack, Buffer, Output, History。
- Stack 和 Buffer 的输入就是词向量，需要词的 Embedding。
- Output 输入的向量在 3.2 节中介绍了，3.2 节说
SHIFT的时候，将 Stack 中的词向量带着对应的REDUCE(y)中的标签y一起，输入到 LSTM。这里的标签y还需要进行向量化，因此需要一个标签的 Embedding。 - History，存放的是执行动作的历史，所以这里又需要动作的 Embedding。
对于每一个步，可以计算四个部分的向量，将这四个部分的向量拼接起来，用一个 Linear 映射到动作空间，最后使用 Softmax[3] 来计算损失函数。对于预测，可以取动作空间概率最大的那个动作，直到 buffer 和 stack 同时为空，即终止。对于训练，可以使用 softmax 损失函数，最后对每一步的 softmax 损失进行求和得到总的损失。
3.3.1 例子
这个部分结合 "Mark Watney visited Mars"，分析每个动作对四个部分的影响。
- Stack，当
SHIFT时，需要 push 操作。当REDUCE(y)时，需要 pop 全部。同时，将 pop 出来的词向量加上标签 y 的向量(这里要做一次 Embedding)，输入到一个 LSTM 中，获得最后的输出，放入 Output。 - Buffer，开始的时候，按照句子的逆序 push，最先是 Mars，最后是 Mark。当
SHIFT时，pop 一次，更新 Buffer 的向量。当OUTPUT的时候，执行相同的操作。所以，Buffer 这里，可以说是一开始就把所有的中间结果计算出来，然后逆序取出。 - Output，这里直接使用普通的 LSTM 即可，因为每次都是 push，不会有 pop。
- History，这里同样使用普通的 LSTM，每次执行操作，将操作做一次 Embedding，然后输入 LSTM。
4 实验分析
对比第 1、6 条，CRF 可以提升一个百分点。对比第 2、5 条，预训练效果要显著比通过 char 学习到的词向量好。对比第 2、5、6 条，叠加预训练向量和 char 学习到的向量，可以提高 F1。对比 (3, 5)、(8, 10)、(4, 6)、(9, 11)，发现 dropout 提高了 F1，原文说 "We observe a significant improvement in our model's performance after using dropout"，emmm，非常的 significant 嘛。以后训练模型的时候，dropout 用起来! 对比两个模型，发现 LSTM-CRF 显著比 S-LSTM 好，每一个变种的效果都好。
参考链接
[1] https://github.com/tianlinyang/stack-lstm-ner
[2] https://arxiv.org/pdf/1505.08075
[3] https://juejin.im/post/6844903620480073742