传统观点认为，手工构建的特征对于深度学习模型来说是多余的，因为这些模型已经能够从语料库中自动学习到足够的文本表示。在本研究中，我们通过提出一种新的方法来验证这一观点，该方法旨在利用手工构建的特征作为新型混合学习方法的一部分，引入了特征自编码器损失组件。我们在命名实体识别（NER）任务上进行了评估，结果表明，加入词性、词形和词汇表的手工特征可以提高神经条件随机场（CRF）模型的性能。对于CoNLL-2003英语共享任务，我们获得了91.89的$F_1$F1​分数，显著优于一系列极具竞争力的基线模型。此外，我们还进行了一项消融研究，展示了自编码的重要性，不仅限于将特征用作输入或输出之一，并且进一步证明了加入自编码器组件可以将训练需求减少至60%，同时保持相同的预测准确性。