本项目尝试使用了Bi-LSTM+CRF模型来解决中文命名实体识别问题，数据集用的是论文ACL 2018Chinese NER using Lattice LSTM中收集的简历数据，数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。
美 B-LOC
国 E-LOC
的 O
华 B-PER
莱 I-PER
士 E-PER
我 O
跟 O
他 O
谈 O
笑 O
风 O
生 O
该数据集就位于项目目录下的ResumeNER文件夹里。
下面是BiLSTM+CRF预测结果的准确率：
| BiLSTM+CRF | |
|---|---|
| 召回率 | 95.72% |
| 精确率 | 95.74% |
| F1分数 | 95.70% |
首先安装依赖项：
pip3 install -r requirement.txt
安装完毕之后，直接使用
python3 main.py
即可训练以及评估模型，评估模型将会打印出模型的精确率、召回率、F1分数值以及混淆矩阵，如果想要修改相关模型参数或者是训练参数，可以在./models/config.py文件中进行设置。
训练完毕之后，如果想要加载并评估模型，运行如下命令：
python3 test.pyLSTM的优点是能够通过双向的设置学习到观测序列（输入的字）之间的依赖，在训练过程中，LSTM能够根据目标（比如识别实体）自动提取观测序列的特征，但是缺点是无法学习到状态序列（输出的标注）之间的关系，要知道，在命名实体识别任务中，标注之间是有一定的关系的，比如B类标注（表示某实体的开头）后面不会再接一个B类标注，所以LSTM在解决NER这类序列标注任务时，虽然可以省去很繁杂的特征工程，但是也存在无法学习到标注上下文的缺点。
相反，CRF的优点就是能对隐含状态建模，学习状态序列的特点，但它的缺点是需要手动提取序列特征。所以一般的做法是，在LSTM后面再加一层CRF，以获得两者的优点。
具体的实现请查看models/bilstm_crf.py
-
Bi-LSTM+CRF模型可以参考：Neural Architectures for Named Entity Recognition，可以重点看一下里面的损失函数的定义。代码里面关于损失函数的计算采用的是类似动态规划的方法，不是很好理解，这里推荐看一下以下这些博客：
- 尝试更加复杂的模型，参考论文Chinese NER using Lattice LSTM
- 更详细的评估结果：打印混淆矩阵，同时输出每种类别的召回率、精确率、F1指标，便于分析。