WordEmbedding是NER模型的输入底座，将字或词映射为稠密语义向量；BiLSTM捕获上下文依赖，CRF保障标签序列合理性，三者协同完成实体识别。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
WordEmbedding本身不直接做NER，它是NER模型的“输入底座”——把字或词转成有语义的向量，让BiLSTM能真正读懂上下文。真正完成识别的是BiLSTM捕获序列依赖 + CRF保障标签合理性，而WordEmbedding决定了这个过程的起点有多扎实。
WordEmbedding怎么用在NER里
它不是独立模块，而是嵌入整个流程的第一步：
- 每个字（中文通常按字切分）或词被映射为固定维度的稠密向量，比如96维或300维
- 向量可以随机初始化，也可以加载预训练词向量（如Word2Vec、GloVe、BERT子词向量），后者显著提升泛化能力
- 例如，“安徽”和“江苏”在向量空间中距离近，模型即使只见过“安徽”标为LOC，也能更大概率把“江苏”也识别为地名
- 对于未登录词（如新公司名、生僻地名），<UNK>向量统一兜底，避免模型卡死
BiLSTM-CRF模型的关键分工
WordEmbedding负责“翻译”，后面两层负责“理解”和“决策”：
- BiLSTM层：把词向量序列双向输入，输出每个位置的隐藏状态，融合前后文信息。比如“马云”在“创办阿里巴巴”中是人名，在“马云路”中可能是地名，BiLSTM靠上下文区分
- CRF层：不单独打分每个标签，而是对整条标签序列（如B-PER, I-PER, O, B-ORG...）打总分，强制满足约束：I-PER不能出现在B-PER之前，O后面不能接I-ORG等
- 最终预测不是取每个位置最高分标签，而是用Viterbi算法找全局最优标签路径
实战中几个必须注意的细节
代码跑通容易，效果达标难，这些点常被忽略：
- BIO标注要严格对齐：一个字只能有一个标签，空格、标点、换行符都要参与标注，否则输入长度和标签长度不匹配会报错
-
填充与截断需同步处理：句子过短补
，过长截断，word_ids和tag_ids必须等长，且 对应标签设为特殊值（如-1），CRF计算时主动mask掉 - CRF的转移矩阵要可学习：初始化不能全零，建议用小随机数；训练中它会自动学到“B-PER→I-PER高分、B-PER→B-ORG低分”这类先验
-
评估别只看accuracy：NER关注实体级准确率，要用实体边界+类型双匹配计算F1，scikit-learn的
seqeval库比单纯token-level更可靠
快速启动建议（PyTorch为例）
不用从零写CRF，推荐基于成熟实现迭代：
- 用
torch.nn.Embedding构建词表，word_to_ix和tag_to_ix提前建好 - 参考PyTorch官方NER教程的CRF实现（含
_forward_alg和_viterbi_decode），它已处理LogSumExp防溢出 - 小数据起步：先用CLUE的CLUENER（10类中文NER）或自建500句医疗/客服样本，验证流程闭环
- 调试时打印前3个batch的
logits和viterbi_path，确认CRF是否真在起作用（比如O后不再出现I-ORG）
