摘要
尽管基于字的模型结合词典知识在中文命名实体识别（NER）任务中已取得令人瞩目的成果，但某些词典词汇因错误匹配而引入了错误信息。现有研究提出了多种融合词典知识的策略，然而这些方法大多仅利用了一阶词典知识，所提供的词信息有限，且仍面临词边界匹配冲突的挑战；另一些方法则通过图结构探索高阶词典知识，但引入的负向词汇可能干扰实体识别。为缓解上述局限，本文提出一种新视角：挖掘句子中每个字的二阶词典知识（Second-Order Lexicon Knowledge, SLK），以提供更丰富的词汇信息，包括语义特征与词边界特征。基于此，我们提出一种基于SLK的新型模型，并设计了一种创新的词典知识融合策略。该模型能够借助全局上下文，更充分地挖掘具有区分性的词汇信息。在三个公开数据集上的实验结果验证了SLK的有效性，所提模型在性能上显著优于当前最先进的对比方法。