适用任务
中文分词、词性标注、命名实体识别是自然语言理解中，基础性的工作，同时也是非常重要的工作。
在很多NLP的项目中，工作开始之前都要经过这三者中的一到多项工作的处理。
在深度学习中，有一种模型可以同时胜任这三种工作，而且效果还很不错--那就是biLSTM_CRF。
biLSTM，指的是双向LSTM；CRF指的是条件随机场。
一些说明
以命名实体识别为例，我们规定在数据集中有两类实体，人名和组织机构名称。所以，其实在我们的数据集中总共有5类标签：
B-Person （人名的开始部分）
I- Person （人名的中间部分）
B-Organization （组织机构的开始部分）
I-Organization （组织机构的中间部分）
O （非实体信息）
此外，假设x 是包含了5个单词的一句话（w0,w1,w2,w3,w4）。在句子x中[w0,w1]是人名，[w3]是组织机构名称，其他都是“O”。
BiLSTM-CRF 模型
先来简要的介绍一下该模型。
如下图所示：
首先，句中的每个单词是一条包含词嵌入和字嵌入的词向量，词嵌入通常是事先训练好的，字嵌入则是随机初始化的。所有的嵌入都会随着训练的迭代过程被调整。
其次，BiLSTM-CRF的输入是词嵌入向量，输出是每个单词对应的预测标签。
尽管不需要了解BiLSTM的实现细节，但为了更好的理解CRF层，我们还是需要知道一下BiLSTM的输出到底是什么意思。
如上图所示，BiLSTM层的输入表示该单词对应各个类别的分数。如W0，BiLSTM节点的输出是1.5 (B-Person), 0.9 (I-Person), 0.1 (B-Organization), 0.08 (I-Organization) and 0.05 (O)。这些分数将会是CRF层的输入。
所有的经BiLSTM层输出的分数将作为CRF层的输入，类别序列中分数最高的类别就是我们预测的最终结果。