传统的基于字级别的BiLSTM+CRF实现命名实体识别(NER)，会受到实体词边界(切词)方面的影响，如图1所示。
可以看到，中国篮协是一个Organization，但是模型在标注的时候，将中国篮协主当成一个完整的Organization实体了。
传统的基于字级别的NER往往会存在这个问题，Lattice LSTM基于这个考虑在NER的过程中引入了词表的知识，保证模型尽可能免受这个问题的干扰。下边我们来看看它是怎么做的吧。
可以看到，总体上Lattice LSTM也是基于字级别进行的，但是它同时引入了词的信息。在每个位置的输入除了该位置的字，同时也会输入以该字结尾的所有词。
例如在"长"这个位置，此时刻的输入包含字"长"，也包含在这句话中以"长"结尾的所有词："市长 "；在最后一个位置"桥"，这个时刻的输入包含字"桥"，也包含在这句话中以"桥"结尾的所有词："大桥"，"长江大桥"。
这里可能有同学可能会问，这些词是怎么来的，如何去提取出一句话中的词呢?
这里其实用到了一个词典，根据词典去提取或匹配这句话中的潜在词。
这个想法是不是挺简单的，下边我们来看看，如何具体实现这个功能吧，内容涉及公式，晕公式的同学可以保持美好心情，选择性跳过。
在正式开始之前，我们先来约定一些记号：
如图2所示，$x_2^c$是取字"京"的字向量，
接下来，我们再来回顾一下基本的LSTM单元的计算公式：
好了，前情我们已经准备讨论完，下边我们进入主题。本节开始时我们提到，Lattice LSTM在每个位置引入的输入既包括字又包括词，那么具体是怎么融合的呢？
我们先来看字级别的输入处理:
字级别的输入处理和公式11中展示的相似，每个时刻的输入包括前一个时刻的隐状态
上边笔者并没有提到遗忘门 ，因为在后边字词信息融合的过程中你可以看出，根本没有用到这个门。
另外，
$h_{j-1}^c$ 代表前一个时刻的隐状态，但是这个隐状态是结合字和词两者的信息融合而成的，不是传统意义上的单字或单词形成的隐状态。欲知具体如何，请继续向下看。
我们再来看下词级别的输入处理:
词级别的输入处理如公式13所示，它的输入包含三部分：词向量
这里可能会有朋友疑问，为什么少了一个输出门？
这是因为我们是对字符标注，而不是对词标注，所以在这里设置一个输出门没什么用。
一句话中可能被词典匹配出很多词，这里一定要理解这么多词要分别融入到哪些位置。如图2所示，每个词都务必融入到以该词最后一个字结尾的那个位置。
假设我们在求
上边我们计算出了词的状态向量$c_{b,e}^w$，这里不太适合将$c_{b,e}^w$的全部信息融入到$c_e^c$中，因此设置了一个输入门
从公式14可以看出，输入门
前边我们提到，我们需要将以
这里我们来进一步讨论一下公式15，现在我们需要向$c_e^c$，这里假设$j=e$状态向量中融入多个词信息$c_{b,e}^w$ 和1个字信息$\tilde{c_e^c}$，每个信息的融入都需要一个输入门去控制各个字或者词信息向$c_e^c$输入信息的多少， 这里对应的输入门就是公式15中的$\alpha_{b,j}^c$ 和
通过这种方式就能计算出
总结一下，上边我们完整的计算了