-
Vex版本中实现的BiLSTM-CRF模型是可配置的，该模型是基于Tensorflow的经典实现，适用于序列标记任务
资源介绍
BiLSTM + CRF用于顺序标记任务
:rocket: :rocket: :rocket: BiLSTM + CRF模型的TensorFlow实现，用于序列标记任务。
项目特色
基于Tensorflow API。
高度可扩展; 一切都是可配置的。
模块化，结构清晰。
对初学者非常友好。
容易DIY。
任务与模型
Sequential labeling是对NLP中的序列预测任务进行建模的一种典型方法。 常见的顺序标记任务包括例如
词性（POS）标记，
块，
命名实体识别（NER）
标点恢复
句子边界检测
范围检测
中文分词（CWG） ，
语义角色标签（SRL）
口语理解能力
事件提取
等等...
以命名实体识别（NER）任务为例：
Stanford University located at California .
B-ORG I-ORG O O B-LOC O
在这里，将提取两个实体， Stanford University和California 。 特别是，文本中的每个token都用相应的label 。 例如