第八章 用于词性和命名实体的序列标注

亚历山大的 Dionysius Thrax（约公元前 100 年），或者也许是其他人（这是一个漫长的过程），写了一篇希腊语语法草稿（一个“technē”），总结出了他当时的语言学知识。这部作品是许多现代语言学词汇的来源，包括 syntax、diphthong（译者注：双元音）、clitic（译者注：附着语素）和 analogy（译者注：类比）。还包括对 8 个词性（parts of speech）的说明：名词（noun）、动词（verb）、代词（pronoun）、介词（preposition）、副词（adverb）、连词（conjunction）、分词（participle）和冠词（article）。虽然早期的学者（包括亚里士多德以及斯多葛派）都有自己的词性列表，但在接下来的 2000 年里，正是 Thrax 的这一套八种词性成为了欧洲语言描述的基础。（甚至我们儿时的 Schoolhouse Rock 教育电视节目，其中都有关于这 8 个词性的歌曲，比如已故的伟大的 Bob Dorough 的 Conjunction Junction。）词性在两千年中持续发展，足以说明它们在人类语言模型中的核心地位。

专有名词（Proper names）是另一个重要且古老的语言学类别。虽然词性通常是分配给单个单词或语素，但专有名词通常是整个多词短语，例如人名“Marie Curie”、地点“New York City”或组织“Stanford University”。粗略地说，我们将使用命名实体（named entity）一词来表示任何可以用专有名词指代的事物：一个人，一个地点，一个组织，尽管我们将看到这个术语通常被扩展到那些本身不是实体的事物。

词性（又称 POS）和命名实体是了解句子结构和意义的有用线索。知道一个词是名词还是动词，就可以知道其可能的相邻词（英语中的名词前面是限定词（determiners）和形容词，动词后跟着名词）和句法结构（动词与名词有依存关系），这使得词性标注称为解析的一个关键方面。知道一个命名实体是一个人名、一个地名还是一所大学，这对许多自然语言理解任务（如问题回答、立场检测（stance detection）或信息提取）都非常重要。

在本章中，我们将介绍词性标注（part-of-speech tagging）的任务，即给定一个词的序列，给每个词分配一个词性，如 NOUN或 VERB，以及命名实体识别（named entity recognition）（NER）的任务，给词或短语分配标签，如 PERSON、LOCATION 或 ORGANIZATION。

在这些任务中，我们为输入词序列中的每个词 $x_i$ 分配一个标签 $y_i$，从而使输出序列 $Y$ 与输入序列 $X$ 具有相同长度，这被称为序列标注（sequence labeling）任务。我们将介绍经典的序列标注算法，一种是生成式的 —— 隐马尔可夫模型（Hidden Markov Model）（HMM），另一种是判别式的 —— 条件随机场（Conditional Random Field）（CRF）。在接下来的章节中，我们将介绍基于 RNN 和 Transformer 的现代序列标注方法。