【自然语言处理】HMM、CRF、BERT命名实体上的实战及源码阅读

相关资源汇总

相关数据源：
https://github.com/buppt/ChineseNER

CRF++代码：
https://taku910.github.io/crfpp/

CRF++源代码解析：
http://www.hankcs.com/ml/crf-code-analysis.html

CRF源码解析还算可以的博客：
https://blog.csdn.net/aws3217150/article/details/69212445

这部分就mark一下，明天就面试了，没有时间挨个看代码。

CRF++中特征详细举例子说明：
https://blog.csdn.net/asdfsadfasdfsa/article/details/81073522

为什么用lstm + crf 模型？

主要是lstm的输出是全局的标记，每个序列输出的都是 BIO中的一个，有可能会输出 I I I。这种序列，这显然是不可能的。加入CRF层可有效避免这个问题。

tensorflow中crf源码阅读

如果输入的是128*40*128的向量，其中128是batch_size,40是句子长度, 128是词向量。
假设lstm输出的向量大小是50。最后把双向lstm输出拼接起来就是。128*40*100的向量。

lstm 和 crf 连接之前，需要经过一个全连接层。全连接层的

https://blog.csdn.net/asrgreek/article/details/87905581

这一篇博客也讲得不错.
https://blog.csdn.net/u011724402/article/details/82078328

问题

1、为什么用lstm + crf 结构，而不是单独用lstm 或者 crf ？

2、cft和hmm的区别？