中文分词作为中文自然语言处理的基础任务,是信息抽取、文本挖掘、信息检索等领域不可替代的预处理方法。随着人工智能技术的飞速发展,循环神经网络在语音识别、机器翻译等序列任务中表现突出,尤其是基于长短期记忆(Long Short-Term Memory,LSTM)单元的循环神经网络在各个领域都取得巨大成就,在中文分词任务中也取得媲美传统统计方法的成绩。但是,在单向单层网络的基础上搭建双向多层网络的试验表明,基础模型的精度并没有随模型复杂度的提升而进一步明显升高。而LSTM单元自身复杂的结构却成为研究和使用的瓶颈,训练与预测均要消耗大量的时间,简化基础模型已成为当务之急。论文在研究深度学习基础理论与LSTM单元结构的基础上,结合现有文献对循环神经网络及其单元结构的理论研究,经过试验,提出一个新的LSTM单元简化变种。该变种结构极为简单,并且仅包含一个门结构,区别于同样只包含一个门的最少门单元(Minimal Gated Unit,MGU),论文称该结构为简化门单元(Simplified Minimal Gated Unit,SMGU)。与之前的变种相比,SMGU使用与MGU完全不同的思路将LSTM中的3个门减少到1个,对隐藏状态的更新过程也极为简单。同时,SMGU在隐藏状态更新的过程中,完全去除隐藏状态对自身的影响。这也是SMGU区别于LSTM及其变体最大的一点。简单的计算过程使得SMGU单元的极限参数量不超过同等输入LSTM模型的1/2,实际中则更少。理论上模型越简单,越易于分析,在包含门结构的循环神经网络理论研究中,SMGU单元是保持各方面优点的最简结构。使用SMGU搭建循环神经网络进行实验表明:在得到与LSTM网络同等精度的情况下,SMGU的训练时间仅为LSTM的一半,推理预测速度更是达到其3倍。对比GRU和MGU的结果也表明,在如中文分词的序列任务中,更新隐藏状态不适合使用隐藏状态自身作为输入。