序列标注
序列标注是一个比较简单的NLP任务,也可称为最基本的任务,序列标注给定一个输入序列,使用模型对这个序列的每一个位置标注一个相应的标签,是一个序列到序列的过程。序列标注涵盖范围非常广,可以解决一系列对字符进行分类的问题,如分词、词性标注、命名实体识别、关系抽取等。
序列标注可以分为原始标注和联合标注。原始标注就是每个元素中都需要被标注一个标签,联合标注就是所有的分段都被标注为同样的标签。命名实体识别就是信息提取问题的一个子任务。需要将元素进行定位和分类,如人名、地点、时间、组织名、质量等。
BIO标注的简介
解决联合标注问题的最简单方法,就是将其转换为原始标注问题,即使用BIO标注。
BIO标注是将每个元素标注为“
B
−
X
B-X
B−X”、“
I
−
X
I-X
I−X”或者“
O
O
O”。其中,“B-X”表示此元素所在的片段属于X类型并且此元素为词片段的起始词,“I-X”表示此元素所在的片段属于X类型并且此元素为词片段的起始词之后的词,“O”表示该字不属于事先定义的任何词片段类型。
常见的序列标注还有BIOES标注和BMES标注。
BIOES标注主要将多元实体X标注为
B
−
X
,
I
−
X
,
E
−
X
B-X,I-X,E-X
B−X,I−X,E−X的格式,B-表示实体的开头,I-表示实体的中间;0-代表非实体部分;E-代表实体的结尾;S-代表单个字符,其本身就是一个实体。
BMES标注中的B-代表实体的开头,M-代表实体的中间,O-代表非实体部分,E-代表实体的结尾、S-代表单个字符,其本身就是一个实体。可以看出在很多任务以上各种标注体系的表现差异不大。
经验
- 会自己将标注任务都给其搞熟练。