所謂序列標註：
就是有乙個線性序列：x = x_1 , x_2, x_3,......,x_n
給每乙個元素打上標籤：y = y_1, y_2, y_3,......, y_n
[b, m, e, s]
b： 代表開始字元
m：代表中間字元
e：代表結束字元
s：代表單字詞
例如：我們愛自然語言處理
這句話所得到的的標註序列為：
besbmmmme
我們 --> be
愛 --> s
自然語言處理 --> bmmmme
首先分詞，然後對詞語打標籤
識別文字**現的實體，比如，位址，人名，機構等特殊實體
[ba, ma, ea, bo, mo, eo, bp, mp, ep, o]
ba：位址首字元
ma：位址中間字元
ea：位址尾字元
bo：機構首字元
mo：機構中間字元
eo：機構尾字元
bp：人名首字元
mp：人名中間字元
ep：人名尾字元
o：不是實體
對於一些有規律的實體，可以針對相對的規則，比如字首字尾或者其他規則，來抽取
利用統計學，來找出文獻中的一些隱含的規律
前兩者是一種專家系統的策略，後者需要大量的統計樣本
1.難以用規則概括任務中的所有細節；
2.序列元素與標籤之間關係的不確定性（例如：工作可以是動詞，也可以是名詞）
3.標籤與標籤之前存在一定的關聯
4.計算量大
5.資料要求高
隱馬爾科夫模型
（最好參看李航的統計學習方法來總結）
這裡需要後期補充學習，最大熵模型maxent，以及最大熵markov模型
相對於後兩種，crf這種現在最流行的就是bi-lstm+crf
以上三種方法，後期做乙個學習補充
一般工業界現在都是基於bi-lstm+crf，或加上cnn
nlp從入門到實踐.胡盼盼（比較適合於面試整理--自然語言處理面試）
大佬的部落格(1) 序列標註問題概述（介紹的中文分詞，命名實體識別以及crf和lstm（以及幾種baseline）在序列標註上的優劣）
序列標註 BiLSTM CRF模型
對於序列標註問題，目前bilstm crf模型是目前使用比較流行的方法。本文以neural architectures for named entity recognition為例，講解bilstm crf模型在命名實體識別任務上的應用，著重於crf層的分析。假設資料集有兩種實體型別 人物 pers...
序列模型實現詞性標註
今天我們來看看 nlp 中乙個很重要且基本的問題 pos。pos part of speech tagging，即詞性標註，這是一種序列標註問題，就是輸入乙個句子，輸出每個詞在這句話中的詞性是什麼。例如，我喜歡吃酸辣的熱狗 這句話中，我 和 熱狗 是名詞，喜歡 和 吃 是動詞，酸辣的 是個形容詞。詞...
序列標註中的幾種標籤方案
標籤方案中通常都使用一些簡短的英文本元 串 來編碼。標籤是打在token上的。對於英文，token可以是乙個單詞 e.g.awesome 也可以是乙個字元 e.g.a 對於中文，token可以是乙個詞語 分詞後的結果 也可以是單個漢字字元。為便於說明，以下都將token試作等同於字元。標籤列表如下 ...