Bi-LSTM—CRF

Bi-LSTM-CRF（双向长短期记忆网络-条件随机场）是一种深度学习模型，广泛应用于自然语言处理任务中的序列标注，例如词性标注、命名实体识别等。它结合了循环神经网络（RNN）的上下文捕获能力（LSTM）和条件随机场（CRF）的结构概率优化。

1. **双向LSTM**：相较于单向LSTM，双向LSTM引入了一个前向LSTM和一个后向LSTM，它们分别从输入序列的前向和后向传播，这样可以同时考虑当前词的上下文信息，增强了模型的表达力。

2. **CRF（Conditional Random Field）**：CRF是一种无向图模型，用于建模变量之间的依赖关系，特别适合于标签序列的生成。它为每个观察到的序列提供一个全局概率，使得模型能够找到最可能的标签序列，而不是孤立地对每个词预测标签。

在Bi-LSTM-CRF中，LSTM负责学习特征表示，而CRF用于进行序列标注决策，两者结合起来优化整体的预测效果。模型训练时，CRF会利用全局信息来调整每个词的标签选择，使得整体的序列标签更为一致和合理。