對于序列標注來講，普通CNN有一個劣勢，就是卷積之后，末層神經(jīng)元可能只是得到了原始輸入數(shù)據(jù)中一小塊的信息。而對NER來講，整個句子的每個字都有可能都會對當前需要標注的字做出影響。為了覆蓋到輸入的全部信息就需要加入更多的卷積層， 導致層數(shù)越來越深，參數(shù)越來越多，而為了防止過擬合又要加入更多的Dropout之類的正則化，帶來更多的超參數(shù)，整個模型變得龐大和難以訓練。因為CNN這樣的劣勢，大部分序列標注問題人們還是使用biLSTM之類的網(wǎng)絡結(jié)構(gòu)，盡可能使用網(wǎng)絡的記憶力記住全句的信息來對單個字做標注。