Gazetteer atau opsi lain untuk fitur ukuran tetap yang disengaja tampaknya merupakan pendekatan yang sangat populer dalam makalah akademis , ketika Anda memiliki masalah ukuran terbatas, misalnya APM dalam korpora tetap, atau penandaan POS atau hal lain. Saya tidak akan menganggapnya curang kecuali satu-satunya fitur yang akan Anda gunakan adalah pencocokan Gazetteer.
Namun, ketika Anda melatih segala jenis model NLP, yang tidak bergantung pada kamus saat pelatihan, Anda mungkin mendapatkan kinerja dunia nyata jauh lebih rendah daripada laporan pengujian awal Anda, kecuali jika Anda dapat memasukkan semua objek yang menarik ke dalam gazetteer (dan mengapa Anda kemudian memerlukan model itu?) karena model terlatih Anda akan bergantung pada fitur di beberapa titik dan, dalam kasus ketika fitur lain akan terlalu lemah atau tidak deskriptif, objek baru yang menarik tidak akan dikenali.
Jika Anda menggunakan Gazetteer dalam model Anda, Anda harus memastikan, bahwa fitur itu memiliki fitur penghitung untuk membiarkan model itu sendiri seimbang, sehingga kecocokan kamus yang sederhana tidak akan menjadi satu-satunya fitur kelas positif (dan yang lebih penting, gazetteer harus cocok tidak hanya dengan contoh positif, tetapi juga yang negatif).
Misalnya, anggap Anda memiliki set lengkap variasi tak terbatas dari semua nama orang, yang membuat orang umum NER tidak relevan, tetapi sekarang Anda mencoba untuk memutuskan apakah objek yang disebutkan dalam teks mampu bernyanyi. Anda akan mengandalkan fitur penyertaan ke dalam gazetteer Person Anda, yang akan memberi Anda banyak kesalahan positif; kemudian, Anda akan menambahkan fitur kata kerja-sentris dari " Apakah Subjek kata kerja bernyanyi ", dan itu mungkin akan memberi Anda positif palsu dari semua jenis objek seperti burung, perut Anda saat Anda lapar dan orang mabuk yang berpikirdia bisa bernyanyi (tapi jujur saja, dia tidak bisa) - tetapi fitur kata kerja-sentris akan menyeimbangkan dengan gazetteer orang Anda untuk menetapkan kelas positif 'Penyanyi' untuk orang dan bukan hewan atau benda lain. Padahal, itu tidak menyelesaikan kasus pemain mabuk.