论文使用了Lattice结构LSTM模型应用于命名实体识别，模型对一系列输入字符以及所有与词典匹配的潜在单词进行编码，与基于字符的方法相比，我们的模型显式地利用了单词和单词序列信息。与基于词的方法相比，lattice LSTM不存在分割错误。模型利用显式单词进行字符序列标记，不会出现分割错误。
模型的结构是LSTM+CRF，主要的创新点是在字符编码中融入了单词的编码，对于一个句子在词典中去匹配它所包含的单词，在句子输入进LSTM的过程中，对于当前字符，融合以该字符结束的所有的单词的信息，将字符的向量表示输入进LSTM单元，将所有的单词的向量表示也输入进LSTM单元，最终将单词的向量表示和字符的向量表示以一定的权重进行结合。
字符的编码
如果没有以当前字符结束的单词，就将这个向量输入进LSTM，得到其输出的向量表示
如果存在以当前字符结束的单词，将这个单词的向量表示也输入进LSTM，将单词的编码与单词起始字符b的隐藏向量进行拼接，得到记忆细胞
这个时候，字符的输入门的信息就要结合单词的信息，将原来计算记忆细胞的式子
变成了以下这个式子，上面得到的，是单词的编码于单词其实字符编码的结合，它也作为输入，输入进下边这个式子。
这个里面的α是注意力系数，计算单词编码和字符编码各自的权重，根据单词和字符的输入门向量经过归一化得到，其中单词的输入门信息最开始只结合了起始字符的信息，现在让他结合最后一个字符的信息，计算的公式如下：
有了单词和字符的输入向量，下面计算注意力系数：
隐藏向量的公式还是根据之前的公式进行计算：
