本期推薦的論文筆記來自 PaperWeekly 社群使用者 @handsome。這篇論文是 COLING 2018 的 Most reproducible Paper。作者用 PyTorch 實現了一個統一的序列標註框架，重現了 CoNLL 2003 English NER、CoNLL 2000 Chunking 和 PTB POS tagging 這三個資料集上不同模型的的表現。值得一提的是，基於這個統一的框架，作者對一些已有工作的一些不一致的結論進行了反駁，提出了一些新的看法。對於實踐者而言，這篇論文還是很有借鑑意義的。
關於作者：梁帥龍，新加坡科技設計大學博士生，研究方向為自然語言處理。
■ 論文 | Design Challenges and Misconceptions in Neural Sequence Labeling
■ 連結 | https://www.paperweekly.site/papers/2061
■ 原始碼 | https://github.com/jiesutd/NCRFpp
引言
這篇論文是 COLING 2018 的 Best Paper 之一 “Most Reproducible Paper”，論文基於的 PyTorch 程式碼框架 NCRF++ 也收錄於 ACL 2018 的 Demo Paper。
作者用一個統一的序列標註框架實現了不同模型架構在 NER, Chunking, POS Tagging 資料集上的表現，並對已有工作的一些不一致的結論進行了檢驗，發現了新的結論。程式碼在 Github 上已經開源，使用文件也非常詳盡，做序列標註的童鞋們又多了一把利器可以使用。
任務
CoNLL 2003 英文的命名實體識別 (NER)
CoNLL 2000 Chunking
PTB POS Tagging
模型
字元序列表示
在詞的表示方面，本文摒棄了基於傳統的特徵的方法，直接使用詞本身的資訊進行編碼。除了詞向量以外，為了更好地對那些不常見的詞編碼，文章使用 LSTM 或者 CNN 對構成詞語的字元進行編碼。
詞序列表示
在整個句子級別，文章同樣使用 LSTM / CNN 對構成句子的詞語的表示進行上下文的編碼。
預測層
獲取了每個詞的上下文表示之後，在最後的預測層，文章使用了基於 Softmax 的和基於 CRF 的結構。和 Softmax 相比， CRF 往往更能有效地結合上下文的標籤的依賴關係進行預測。
實驗結果
NER的實驗結果
Chunking的實驗結果
POS Tagging的實驗結果
從以上結果來看，字元序列的表示方面，CNN 和 LSTM 的結果差別不大；詞序列的表示方面，LSTM 的結果比 CNN 的稍好一些，說明全域性資訊的有效性；預測層方面，POS Tagging 任務的 CRF 和 Softmax 表現相當，但是 NER、Chunking 的 CRF 的結果要比 Softmax 好一些。相比 POS 的tags，BIE 標籤之間的依賴關係可能更容易被 CRF 所建模。
其他
這篇文章也檢驗了預訓練的詞向量的不同（GloVe/SENNA），標註體系的不同 (BIO/BIOES)，執行環境的不同（CPU/GPU），以及最佳化器的不同 （SGD/Adagrad/Adadelta/RMSProp/Adam）對結果的影響。感興趣的同學可以檢視論文原文。
最後
本文程式碼已開源，使用非常方便，也可以加自定義的 feature，幾乎不用自己寫程式碼就可以使用了。