序列标注（sequence labeling）
/ SEE-kwens LAY-bul-ing /
序列标注是这样一族任务：你沿着一个序列——通常是一句话里的词——一个接一个地走，给每一项依次贴上一个标签，始终不丢失顺序。想象一位老师朗读一句话，逐词地为每个词喊出一个类别。它不同于把整篇文档归进一个筐里；在这里，每一个位置都得到自己的答案，而每个答案都该与它的邻居相称。
许多著名的自然语言处理工作，骨子里都是同一种形状。词性标注给每个词贴上它的语法角色。命名实体识别把每个词标为「一个名称的开头」「一个名称的内部」或「根本不是名称」。甚至把没有空格的文本切成词，也能这样来表述。把它们串在一起的那根线是：每个词元都有一个标签，而这些标签并非彼此独立——「在一个机构名内部」只有当前一个词是「一个机构名的开头」时才说得通，所以好的模型会就整串标签序列来推理，而非孤零零地看一个位置。
这件事值得起个名，因为看清这层共有的结构会有回报。经典方法用的是为尊重标签依赖而设计的模型；现代方法则用神经网络（常常是那种既读左又读右的），为每个词元产出一个标签。那句诚实的提醒，与它的各个成员相同：这些系统从人们煞费苦心标注过的文本中学习，严重倚赖上下文，并在非正式语言、陌生词，以及标注数据稀少的语言上摇摆不定。
在「Steve Jobs founded Apple」上做命名实体识别，标签序列可能是：Steve = B-PERSON（开头）、Jobs = I-PERSON（内部）、founded = O（外部）、Apple = B-ORG。「人名内部」只有紧跟在「人名开头」之后才合法——这些标签彼此约束。
每个词元一个标签，标签之间彼此约束——这就是序列标注的形状。
它的定义性特征在于标签并非独立——每个标签都取决于它的邻居，所以模型预测的是一整串连贯的序列，而非彼此孤立的猜测。词性标注和命名实体识别，都不过是序列标注换了身行头。