NLP 笔记： 序列标注与BIO标注

1 序列标注

序列标注（Sequence labeling）NLP问题中的基本问题。在序列标注中，我们想对一个序列的每一个元素标注一个标签。一般来说，一个序列指的是一个句子，而一个元素指的是句子中的一个词。

1.1 原始标注与联合标注

序列标注一般可以分为两类：

1、原始标注（Raw labeling）：每个元素都需要被标注为一个标签。

2、联合标注（Joint segmentation and labeling）：所有的分段被标注为同样的标签。

2 命名实体识别 NER （named entity recognition）

        命名实体识别（Named entity recognition， NER）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、组织名、地点、时间、质量等。

举个NER和联合标注的例子。一个句子为：Yesterday , George Bush told a lie. 其中包括一个命名实体：George Bush。我们希望将标签“人名”标注到整个短语“George Bush”中，而不是将两个词分别标注。这就是联合标注。

2.1 BIO 标注

        如果不想用联合标注进行NER的话，可以使用BIO标注

        BIO标注：将每个元素标注为“B-X”、“I-X”或者“O”。

• “B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头
• “I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置
• “O”表示不属于任何类型。

2.1.1 BIO标注举例

 比如，我们将 X 表示为名词短语（Noun Phrase, NP），则BIO的三个标记为：

（1）B-NP：名词短语的开头

（2）I-NP：名词短语的中间

（3）O：不是名词短语

   因此可以将一段话划分为如下结果;

     我们可以进一步将BIO应用到NER中，来定义所有的命名实体（人名、组织名、地点、时间等），那么我们会有许多 B 和 I 的类别，如 B-PERS、I-PERS、B-ORG、I-ORG等。然后可以得到以下结果：