序列標注 是什麼？
Sequence Labeling：序列標注 的完整解釋
將輸入序列中的每個元素映射到對應標籤的 NLP 任務類型，如命名實體識別、詞性標注、語音辨識等。
Sequence Labeling（序列標注）是 NLP 中最基礎的結構化預測任務之一，其方法論演進清晰地映射了 NLP 技術從統計機器學習到深度學習再到預訓練模型的整體發展軌跡。
代表性任務
命名實體識別（NER, Named Entity Recognition）：識別文本中的人名、地名、機構名、時間、金額等實體，並標注其類型。例如：「蘋果公司於 2007 年發布 iPhone」→「蘋果公司」(ORG)、「2007 年」(TIME)、「iPhone」(PRODUCT)。
詞性標注（POS Tagging）：為每個詞語標注其語法類別（名詞、動詞、形容詞等）。
分詞（Word Segmentation）：在無明確詞界標記的語言（如中文、日文）中，識別詞彙邊界。
語意角色標記（Semantic Role Labeling, SRL）：識別句子中的謂語及其論元（誰做了什麼、對誰、在哪裡、什麼時候）。
槽位填充（Slot Filling）：在對話系統中，識別使用者語句中的關鍵資訊槽（如「訂明天北京到上海的機票」中的出發地、目的地、日期）。
標注體系（Tagging Scheme）
序列標注使用特定的標注格式來表達實體的邊界資訊：
BIO 格式：B（Beginning，實體開頭）、I（Inside，實體內部）、O（Outside，非實體）。例如「上海 交通 大學」標注為 B-ORG、I-ORG、I-ORG。
BIOES 格式：在 BIO 基礎上增加 E（End，實體結尾）和 S（Single，單詞實體），提供更細緻的邊界資訊，有時能提升模型學習效率。
IOB2 格式：所有實體開頭詞強制標 B，即使前一個詞也是同類實體，避免歧義。
方法演進
統計機器學習時代：
- 隱馬可夫模型（HMM）：序列標注的早期主流方法，對標籤序列建立馬可夫假設（當前標籤只依賴前一個標籤）。
- 條件隨機場（CRF, Conditional Random Field）：由 Lafferty 等人提出，直接對輸入序列和標籤序列的條件概率建模，避免 HMM 的獨立性假設，成為序列標注的強基線。
深度學習時代：
- BiLSTM-CRF：雙向 LSTM 從兩個方向捕捉序列上下文，輸出每個位置的特徵表示，再接 CRF 層確保標籤序列的全局一致性（如防止 I 不接 B 的非法標籤序列）。這個架構在 2018 年前長期是 NER 的 SOTA。
- BERT + CRF：以 BERT 等預訓練語言模型作為編碼器替換 BiLSTM，再接 CRF 分類頭，在各序列標注任務上大幅超越前代方法。
- 直接分類（without CRF）：現代強大的 LLM 有時省略 CRF 層，直接在每個位置做 Softmax 分類，其上下文理解能力足以隱式學習標籤間的依賴關係。
CRF 的作用
CRF（條件隨機場）在序列標注中的關鍵貢獻是引入標籤間的轉移矩陣，在解碼時強制執行全局一致的標籤序列。例如，O 後不能直接接 I（因為沒有 B 開頭），I-PER 後不能接 I-ORG（類型必須一致）。純 Softmax 在每個位置獨立決策，可能輸出無效的標籤序列；Viterbi 算法配合 CRF 的轉移分數，保證輸出全局最優且合法的標籤序列。
評估指標
序列標注通常以實體級別（而非詞語級別）的精確率（Precision）、召回率（Recall）和 F1 分數評估。只有預測的實體邊界（起止位置）和類型完全正確，才算預測正確。常用工具為 seqeval 套件。
與生成式方法的關係
大型語言模型（如 GPT 系列）可透過提示工程直接以生成方式完成 NER 等任務（輸出結構化的 JSON 格式）。與判別式序列標注模型相比，生成方式更靈活（無需固定標籤集），但延遲較高、且邊界預測精度在小型模型上可能不如 BiLSTM-CRF 等判別式方法。當前研究探索兩者的混合：用 LLM 生成候選實體，再用判別模型驗證。