Bidirectional LSTM-CRF Models for Sequence Tagging 阅读有感

BiLSTM+CRF 通吃序列标注任务，这些任务包括：词性标注POS（Part of speech），名词词组分块（NP-CHUNKING）和命名实体识别。

命名实体识别的一个商业应用:识别用户搜索句子中的商品（实体，使用用户查询句子训练），然后提供该商品的广告。这个点子牛逼哦，问答机器人那可以试着做一个应用连接百度搜索。

此篇论文之前的序列标注任务，多使用线性统计模型，如隐马尔科夫HMM,最大熵马尔科夫模型MEMMs，条件随机场，最好的就是Conv+CRF，卷积层上接条件随机场。

条件随机场可以提取句子级别的特征。他会对紧挨着的两个tag进行计算，限制不合理的标签序列。最后对一个单词的分类结果由两部分组成，s=[A+f],A是crf的概率，f是神经网络给出的概率，这就很明白了，如果神经网络给出的B-PER紧挨着B-PER，那么cf给出的概率值会很低，导致B-PER转变成别的类别（很可能是I-PER）