实体识别
- Recap
-
- lost function
- 所有路径的log（e^si）之和
- 用该模型预测输入对应输出
- 代码时间原因就先不放了（其实是因为撒把小米到键盘上都比我coding的好）
Recap
参考https://www.jianshu.com/p/aed50c1b2930开始这个任务。
crf参考网址：https://www.cnblogs.com/createMoMo/p/7529885.html
知道了lstm的输出格式（即crf中会使用到的emission score，每个位置的单词对应各label的概率），虽然只利用lstm也可以进行预测（每个单词的label取使概率取最大值的即可），但这样的预测在很多时候明显是错的（如i标签出现，在前面未有b的情况下），而条件随机场很好地解决了这个问题（通过在预测时不光考虑emission，也考虑transition）。
crf的lost function表达。难点在于表达log（e^s1+…e sn）和利用训练好的模型预测未见过的句子的label这两个dp算法。
吃完饭回来继续dp+code，之后开始gcn的学习（关系提取）。