本文探讨了印度尼西亚文本的词性标注。我们使用基于规则、CRF 和神经网络的模型进行试验，并在 IDN Tagged Corpus 上对其进行评估，最终用递归神经网络取得了 97.47 的最优性能。同时，我们还公开了我们使用的数据集以供未来的研究使用。

Sep, 2018

使用词嵌入的双向 LSTM 循环神经网络模型（BLSTM-RNN）在词性标注任务中表现出色，可以达到 97.40％的准确率，而且不需要使用形态学特征，同时具备与斯坦福词性标注器相当的性能。

Oct, 2015

本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构，其中嵌入向量（Glove，BERT）的融合输入被用来增强模型的泛化能力，还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recognition 任务的性能。经实验证明，该方法显著提高了弱类的表现结果，并且只使用了非常少量的数据集。

Mar, 2020

本文提出了一种新颖的神经网络体系结构，该体系结构利用了双向 LSTM，CNN 和 CRF 的组合，自动地从单词和字符级别表示中受益。我们的系统是真正的端到端的，不需要特征工程或数据预处理，因此适用于广泛的序列标注任务。我们在两个数据集上对我们的系统进行了评估，即 Penn Treebank WSJ 语料库用于词性标注和 CoNLL 2003 语料库用于命名实体识别。我们在这两个数据集上获得了最先进的性能 - 词性标注的准确率为 97.55％，命名实体识别的 F1 值为 91.21％。

Mar, 2016

本文提出了两种模型，分别是 LSTM-CRF 和 BERT-LSTM-CRF，用于语义标记通用语义标记数据集。实验结果表明，第一个模型更易于收敛，而利用 BERT 嵌入的第二个模型需要长时间才能收敛，并需要大型数据集才能有效地进行语义标记。

Jan, 2023

本文研究了基于 LSTM 模型的序列标注技术，通过引入双向 LSTM 和条件随机场 (CRF) 层提高了模型的准确性和鲁棒性，实现了对 POS、chunking 和 NER 等序列标注数据集的最先进性能。

Aug, 2015

本研究提出了一种基于双向长短期记忆递归神经网络（BLSTM-RNN）的统一标记解决方案，可应用于各种标记任务，包括词性标注、分块和命名实体识别，该方法利用从无标记文本中学习的一组独立任务特征和内部表示，并不需要特定的任务知识或复杂的特征工程，在所有这三个标记任务中获得了几乎最先进的性能。

Nov, 2015

本文介绍基于双向 LSTM 和条件随机场，以及基于转移的方法的两种新的神经网络模型，这些模型不依赖于领域特定的知识和语言。通过使用监督语料库和未标注语料库，字符表示和无监督的学习表示，这些模型在四种语言中实现了名词实体识别的最先进性能。

Mar, 2016

本文介绍了基于条件随机场和深度学习的方法开发 Odia 词性标注器。通过实验，发现使用带字符序列特征和预训练词向量的 bi-LSTM 模型可以达到显著的最新成果。

Jul, 2022

本研究提出了一种端到端的神经网络架构，用于越南命名实体识别，最佳模型组合了双向长短时记忆神经网络、卷积神经网络、条件随机场，使用预训练的词嵌入作为输入，可在标准测试集上实现 88.59% 的 F1 分数。我们的系统能够在不使用任何句法或手工制作特征的情况下实现与 VLSP 竞选第一名系统相当的性能，同时对使用深度学习模型的越南 NER 在单词和字符级别上进行了广泛的实证研究。

May, 2017