簡介
序列標注（Sequence Tagging）是一個比較簡單的NLP任務，但也可以稱作是最基礎的任務。序列標注的涵蓋范圍是非常廣泛的，可用於解決一系列對字符進行分類的問題，如分詞、詞性標注、命名實體識別、關系抽取等等。
有很多開源的中文分詞工具，jieba、pkuseg、pyhanlp...
序列標注一般可以分為兩類：
1、原始標注（Raw labeling）：每個元素都需要被標注為一個標簽。
2、聯合標注（Joint segmentation and labeling）：所有的分段被標注為同樣的標簽。
命名實體識別（Named entity recognition， NER）是信息提取問題的一個子任務，需要將元素進行定位和分類，如人名、組織名、地點、時間、質量等。
舉個NER和聯合標注的例子。一個句子為：Yesterday , George Bush gave a speech. 其中包括一個命名實體：George Bush。我們希望將標簽“人名”標注到整個短語“George Bush”中，而不是將兩個詞分別標注。這就是聯合標注。
BIO標注
解決聯合標注問題的最簡單的方法，就是將其轉化為原始標注問題。標准做法就是使用BIO標注。
BIO標注：將每個元素標注為“B-X”、“I-X”或者“O”。其中，“B-X”表示此元素所在的片段屬於X類型並且此元素在此片段的開頭，“I-X”表示此元素所在的片段屬於X類型並且此元素在此片段的中間位置，“O”表示不屬於任何類型。
比如，我們將 X 表示為名詞短語（Noun Phrase, NP），則BIO的三個標記為：
（1）B-NP：名詞短語的開頭
（2）I-NP：名詞短語的中間
（3）O：不是名詞短語
因此可以將一段話划分為如下結果;
我們可以進一步將BIO應用到NER中，來定義所有的命名實體（人名、組織名、地點、時間等），那么我們會有許多 B 和 I 的類別，如 B-PERS、I-PERS、B-ORG、I-ORG等。然后可以得到以下結果：
舉例：命名實體識別
一段待標注的序列$𝑋={𝑥_{1},𝑥_{2},...,𝑥_{n}}$，我們需要對該序列的每一個$𝑥_{i}$預測一個對應的Tag，在通常情況下，我們對tag進行如下定義：
- B - Begin，表示開始
- I - Intermediate，為中間字
- E - End，表示結尾
- S - Single，表示單個字符
- O - Other，表示其他，用於標記無關字符
常見標簽方案通常為三標簽或者五標簽法：
- IOB - 對於文本塊的第一個字符用B標注，文本塊的其它字符用I標注，非文本塊字符用O標注
- IOBES：
- B，即Begin，表示開始
- I，即Intermediate，表示中間
- E，即End，表示結尾
- S，即Single，表示單個字符
- O，即Other，表示其他，用於標記無關字符
這樣的tag並不是固定的，根據任務不同還可以對標簽有一系列靈活的變化或擴展。對於分詞任務，我們可以用同樣的標注方式來標注每一個詞的開頭、結尾，或單字。如詞性標注中，我們可以將標簽定義為：n、v、adj...而對於更細類別的命名實體識別任務，我們在定義的標簽之后加上一些后綴，如：B-Person、B-Location...這都可以根據你的實際任務來自行選擇。
處理序列標注問題的常用模型包括隱馬爾可夫模型（HMM）、條件隨機場（CRF）、BiLSTM + CRF。
可參考： https://www.cnblogs.com/sandwichnlp/p/11618530.htmlhttps://www.cnblogs.com/sandwichnlp/p/11618530.html