文章标题
Embeddings of Label Components for Sequence Labeling: A Case Study of Fine-grained Named Entity Recognition序列标记中标签组件的嵌入：细粒度命名实体识别的实例研究
Summary
概述文章的内容，用自己的语言描述
序列标注是由不同类型的元素组成的，如BIO、IOB、BIOES，每个标签都有不同的意思。但是以往都忽略了标签之间的共享信息，如B-Person和I-Person，这些共享信息有利于标签预测
Research Objective
作者的研究目标
作者通过利用序列标签中的共享成分，提高标签预测精度，通过日文和中文细粒度命名实体识别的实验，验证了该方法提高了识别性能，尤其是对于带有低频标签的实例。
Problem Statement
问题陈述，需要解决的问题是什么
人们忽视了标签组共享信息，不能充分利用
Method
作者解决问题的方法/算法是什么？是否基于前人的方法
injecting such component information into the label embeddings can improve the generalization performance.将共享组件信息注入标签嵌入中可以提高泛化性能shares and learns the embeddings of label components共享和学习标签组件的嵌入我们首先将每个标签分解为其组件。然后我们为每个组件分配一个嵌入，并将所有组件的嵌入汇总为一个，作为模型中使用的标签嵌入。此组件级操作使模型能够跨标签嵌入共享有关公共组件的信息。
Embeddings of label components
label decomposition 标签分解B-Park = {B,Park} 实体范围 类型信息B-Facility/GOE/Park = {B,Facility,GOE,Park}we can regard each label as a set of components (type–value pairs).
label embedding calculation 标签嵌入计算two types of typical summarizing techniques: a) summationb）concatenation如，B-Facility/GOE/Park和B-Facility/GOE/School的嵌入都是通过添加共享组件（即B、Facility和GOE）的嵌入来计算的。
Evaluation
作者如何评估自己的方法，实验的setup是什么样的，有没有问题或者可以借鉴的地方。
we take the task of fine-grained Named Entity Recognition (NER) as a case study.通常，在这个任务中，大量的实体类型标签是在层次结构中预定义的，中间类型标签可以用作标签组件，以及叶类型标签和B/I标签。从这个意义上讲，细粒度的NER可以看作是该方法潜在应用的一个很好的例子。此外，某些实体标签的出现频率比其他实体更高。一个有趣的问题是，我们的标签组件共享方法在识别不常见标签的实体方面是否有改进。在我们的实验中，我们使用了英语和日语的具有扩展命名实体层次结构的NER语料库（Sekine等人，2002），包括200个实体标签。综上所述，我们的主要贡献如下：（1）我们提出了一种共享和学习标签组件嵌入的方法；（2）通过对英语和日语细粒度NER的实验，我们证明了该方法比标准序列标记模型具有更好的性能，特别是在低频情况下标签。
our method of label component sharing exhibits an improvement in recognizing entities
Conclusion
作者给了哪些结论，哪些是strong conclusions, 哪些又是weak的conclusions?
we propose a method that shares and learns label component embeddings我们提出了一种共享和学习标签组件嵌入的方法
through experiments on English and Japanese fine-grained NER, we demonstrate that the proposed method achieves better performance than a standard sequence labeling model, especially for instances with low-frequency labels通过过对英语和日语细粒度NER的实验，我们证明了该方法比标准序列标记模型具有更好的性能，特别是在低频情况下标签
未来工作:
将共享标签信息的方法应用于其他任务和数据集，调查其有效性。
将简单的标签嵌入计算方法扩展到更复杂的方法 原来的方法是 积 和 连接
Notes
额外的笔记
morphological feature tags 形态特征标签 LREC 语言资源国际顶会COLING 计算语言学/自然语言处理的重要会议
模型
我们在图1中描述了我们的基线模型。给定一个输入句子，编码器将每个单词转换成其特征向量。然后计算每个特征向量与标签嵌入之间的内积，计算标签分布。最后，将概率最高的IOB2格式标签（Ramshaw和Marcus，1995）分配给每个令牌。标签B-Park（表示某个实体的最左边的令牌）被分配给南（South），而I-Park（表示某个实体内部的令牌）被分配到園（Park）。表示实体外部令牌的标签O被分配给に（to）和く（go）。
