这篇文章主要是提出了一种embedding方法。
首先作者介绍了现有sota的embedding方法：
- classical word embedding，在超大语料上预训练；
- character-level features，在领域内的数据集上训练，以捕捉任务相关的subword特性；
- 情境化的embedding，捕捉一些多义词和任务相关的词；
作者提出了一种上下文字符embedding，以期能够融合上述三种sota embedding的特性，提出的这种上下文字符embedding随后被送入下游的sequence labeling任务中，比如说BiLSTM+CRF，整个模型的架构如下：
主要贡献是在最下层的character language model那块，具体实现方式见下图：
就是分别从前往后和从后往前对一个词建模，比如说上图中的Washington这个词，首先是获取Washington最后一个字母"n"的隐层状态，然后从后往前，获取到“w”这个字母的隐层表征，将这两部分的状态concat起来，即：
实验部分，作者分别在NER、chunking、POS等任务上，做了很多的尝试，实验结果见下：
下一步阅读下这篇文章的代码。
