如何不利用外部知识来提升NER效果？

这是一个没有完美答案的题目，因为大家都还在不断地创新，可能会遇到一个瓶颈，然后提出一种新的模型，瓶颈消失，在此模型上继续改进，又遇到新的瓶颈。。。循环往复。
现在很多论文都在用外部知识（例如词性、词向量、部首、笔画等）来辅助基于字符的命名实体识别，基于字符比基于字的NER好处在于会极大减少OOV情况，但是缺点在于基于字符的NER只是逐个字地进行标注，无法利用词语的信息，所以ACL2018的一篇论文Chinese NER Using Lattice LSTM就加入了词向量来训练模型，取得了sota performance。另一篇论文Glyce: Glyph-vectors for Chinese Character
Representations则利用了把多种字体的字形信息融入到字向量中，取得了sota performance。可是融入外部知识的做法总觉得有些不够优雅，而且看起来很复杂，难道不用外部知识就不能提升性能吗？自注意力和聚焦法我都试了，可是几乎没有提升。