摘要
中文命名实体识别（Chinese NER）是一项具有挑战性的任务。由于汉字作为表意文字，其内部蕴含着丰富的字形（glyph）信息，而这些信息在以往的研究中往往被忽视。本文提出了一种名为Fusion Glyph Network（FGN）的新型神经网络架构，用于提升中文命名实体识别性能。该方法不仅引入了字形信息，还通过融合机制引入了字符间的交互信息。FGN的主要创新点包括：（1）提出一种新颖的CNN结构——CGS-CNN（Character Glyph Structure CNN），用于同时捕捉相邻字符之间的字形特征及其相互作用信息；（2）设计了一种结合滑动窗口与Slice-Attention机制的方法，实现对单个字符的BERT表示与字形表示的有效融合，从而挖掘上下文与字形之间的潜在交互知识。在四个公开的中文NER数据集上的实验结果表明，采用LSTM-CRF作为标注器的FGN模型达到了当前最先进的性能。此外，本文还进行了多组消融实验，系统分析了FGN中各组件及不同设置对最终效果的影响。