搜尋意圖： 如果你在找「序列標注 是什麼」或「序列標注 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
常見問題
NER 和序列標注是什麼關係？兩者等同嗎？
序列標注（Sequence Labeling）是任務類型的總稱，NER（命名實體識別）是其中一個具體任務。兩者的關係類似於「分類任務」和「情感分析」的關係：分類任務是方法論類別，情感分析是具體應用。屬於序列標注的任務還包括：詞性標注（POS Tagging）、語意角色標記（SRL）、對話系統的槽位填充（Slot Filling）、語音辨識的音素對齊，以及生物醫學文本中的基因名稱、疾病名稱識別。這些任務雖然應用場景不同，但都可以建模為「輸入序列 → 等長標籤序列」的結構化預測問題，因此可以使用同一套方法論（BIO 標注、BiLSTM-CRF、BERT 分類頭等）和評估框架，這也是將它們統稱為序列標注任務的意義所在。
為什麼序列標注需要 CRF 層？直接 Softmax 不行嗎？
直接對每個位置做 Softmax 分類在技術上完全可行，許多現代模型也確實省略了 CRF 層，尤其是使用強大預訓練模型時。CRF 的核心優勢是引入標籤間的全局約束：Softmax 在每個位置獨立決策，不考慮前後標籤的合法性，可能輸出如「O → I-ORG → B-PER」這樣無效的序列。CRF 的轉移矩陣能懲罰非法轉移（如 B-PER 後接 I-ORG），並透過 Viterbi 算法找出全局最優且合法的標籤序列。對於訓練資料有限、模型本身上下文理解能力較弱的情況，CRF 的顯式序列約束能帶來明顯的提升。但對於 BERT-Large 等強預訓練模型，上下文理解已足夠強，CRF 帶來的邊際提升有限（通常在 0.1 到 0.5 個 F1 分數之間），是否加入 CRF 需根據任務複雜度和計算成本權衡。
中文 NER 與英文 NER 有哪些主要差異？
中文 NER 面臨的主要挑戰是中文沒有天然的詞界（沒有空格分隔詞語），字元粒度和詞語粒度的建模需要同時考慮。英文 NER 通常以詞語（word）為基本單位，中文則常以字元（character）為基本單位輸入模型，再由模型自行學習詞彙邊界。另一個差異是實體邊界的語義：英文姓名通常有明顯的大寫標識，中文人名、地名的邊界依賴上下文語義而非形式特徵。此外，中文命名實體常與普通詞語形式相同（如「海南」可能是地名也可能是形容詞搭配），消歧需要更強的上下文理解。現代方法（BERT 中文模型、RoBERTa-wwm-ext 等）通過字元級預訓練大幅改善了這些問題，目前中文 NER 基準（如 MSRA、OntoNotes 中文）的 F1 分數也已接近英文的水準。