该模型的核心思想是：通过 Lattice LSTM 表示句子中的单词，将潜在的词汇信息融合到基于字符的 LSTM-CRF中。实际上，该模型的主干部分依然是基于字符的LSTM-CRF，只不过这个LSTM每个Cell内部的信息处理方式与基本的LSTM不同。
目前英文NER效果最佳的模型是 LSTM-CRF，对于中文 NER，也可以使用这种模型。不过，中文文本不同于英文文本，需要预先对其进行分词（基于字的方法），尽管分词工具有很多（中科院 ICTCLAS、哈工大语言云、Python的 jieba 和 SnowNLP 等），但是分词效果不太可能是完美的。通俗来说，NER就是通过序列标注对实体边界和实体类别进行预测，从而识别和提取出相应的命名实体。所以，一旦出现分词错误，就会直接影响实体边界的预测，导致识别错误，这在开放领域是很严重的问题。
为了避免上述问题，研究者们开始尝试基于字符的方法。该方法无需分词，以每个字符为单位进行训练。虽然训练集规模变大，训练时间变长，但是研究表明，对于中文NER，基于字符的方法优于基于字的方法。但是，可以想到，由于没有进行分词，所以基于字符的方法无法利用句子中的单词信息，这也会使得识别效果有瑕疵。举个例子，比如一句话“南京市长江大桥”，如果没有单词信息，识别结果很可能为：“南京“，”市长”，“江大桥”。
这篇文章针对中文NER提出了一种网格结构的 LSTM 模型（Lattice LSTM），如下图所示。相比基于字符的方法（character-based），能够充分利用单词和词序信息；相比基于字的方法（word-based），不会因为分词错误影响识别结果。