4.3.3. BiLSTM+CRF¶
BiLSTM¶
双向长短时记忆
BiLSTM 是一种循环神经网络（RNN）的变体，具有前向和后向两个方向的隐藏状态。
作用： 用于捕捉输入序列中的上下文信息，对文本进行双向建模，更好地理解词汇之间的依赖关系。
CRF¶
条件随机场
定义： CRF 是一种概率图模型，用于对序列标签进行建模。
作用： 在 NER 任务中，CRF 用于建模标签之间的转移概率，确保生成的标签序列是合理的。
BiLSTM+CRF¶
结合方式： BiLSTM 用于提取输入序列的特征，而 CRF 用于对标签序列进行建模，结合了上下文信息和标签间的关系。
优势： 具有更强大的建模能力，特别适用于需要考虑上下文信息和标签关系的序列标注任务，如 NER。
使用 BiLSTM+CRF 实现 NER：在 BiLSTM 上方添加了一个 CRF 层。具体地，在基于 BiLSTM 获得各个位置的标签向量之后，这些标签向量将被作为 发射分数 传入 CRF 中。这些发射分数（标签向量）传入 CRF 之后，CRF 会据此解码出一串标签序列。CRF 的作用就是在所有可能的路径中，找出得出概率最大，效果最优的一条路径，那这个标签序列就是模型的输出。¶
备注
总结一下，使用 BiLSTM+CRF 模型架构实现 NER 任务，大致分为两个阶段：使用 BiLSTM 生成发射分数（标签向量），基于发射分数使用 CRF 解码最优的标签路径。