huggingface transformers實現(xiàn)命名實體識別：
http://pytorchchina.com/2020/03/04/transformers-%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B/
題目：TENER: Adapting Transformer Encoder for Named Entity Recognition
摘要：由于Transformer在NER上表現(xiàn)不好愕贡，作者提出了一個名為TENER的模型去建模字符特征和詞匯特征，通過將方向感知和距離感知以及未縮放的attention結(jié)合起來巍膘，實現(xiàn)了更好的效果與BiLSTM相比
- 上面這個例子顯示了方向?qū)τ谧R別一個實體的類別的重要性雏赦，在“in”后面的單詞通常是時間或地點洛口，‘Inc.’前面通常是機構(gòu)名被啼，而機構(gòu)名也常常是一組詞赦抖，所以距離也很重要压鉴。為了同時保留對距離和相對位置的感知能力，作者舍棄原本的絕對位置編碼而采用相對位置編碼骤坐，使用參數(shù)更少绪杏，在NER中效果更好。
-
上面是模型的主要架構(gòu)纽绍，可以看到：
1）嵌入層的字符特征提取主要是multi-head attention蕾久，最終的word embedding是將抽取出來的字符特征和詞嵌入拼接起來
2）作者的主要創(chuàng)新在transformer層，原來兩個位置向量之間的點積只能反映單詞間的距離拌夏，而不能區(qū)分方向僧著，為此作者提出了一種相對位置編碼，公式如下：
可以看到障簿，Rt和R-t是不一樣的盹愚，這樣就有了方向。
3）作者去掉了原來的縮放點積中的縮放值
