条件随机场

开出南方的花

BiLSTM+CRF实现NLP中的NER任务实体识别:获取实体边界实体分类实体抽取=命名实体识别=NER实体是文本之中承载信息的语义单元，是文本语义理解的基础，像一句话之中的人名地名就是一种实体。

详解机器学习经典模型(原理及应用)——条件随机场条件随机场（Conditional Random Field，简称CRF）是一种统计建模方法，用于对结构化数据中的随机变量进行建模，它属于马尔可夫随机场（Markov Random Field，简称MRF）的一种。在机器学习领域，CRF常用于自然语言处理中的序列标注任务，如词性标注、命名实体识别等。CRF 模型的核心思想是，给定一组输入变量（例如，一句话中的单词序列），模型会学习这些输入变量与输出变量（例如，每个单词的词性标注）之间的条件概率分布。

【大模型理论篇】生成式模型与判别式模型对比在《生成式模型算法原理深入浅出》中，我们浅浅探讨了生成式模型与判别式模型的不同之处，随后主要重点介绍了五种生成式算法模型：朴素贝叶斯（Naive Bayes）、高斯混合模型（GMM）、隐马尔可夫模型（HMM）、主题模型（LDA）、生成对抗模型（GAN）以及文生图模型（Stable Diffusion）。本文将进一步选取生成式模型中的变分自编码器（Variational Auto-Encoder，简称VAE）和判别式模型中的条件随机场（Conditional Random Field，简称CRF），对这两类