我正在使用双向 LSTM 和 CRF 创建自定义 NER（命名实体识别）模型。
在研究 Ner 期间，我看到所有示例都包含每个句子的多个实体。例如，这句话包括 2 个实体
(jhon 住在美国) jhon = S-Per , US=S-Country
问题一：
我们可以使用 (bi lstm crf) 创建一个我们只想预测 1 个实体的模型吗？
问题2：
在 CRF 中，邻居的状态会影响当前的预测，因此每个句子预测 1 个实体似乎特别难于使用 CRF？
问题 3：
如果我无法使用 CRF 实现这一点，我可以使用 Bert 训练每个模型有 1 个实体的模型吗？
提前致谢。
我们可以使用 (bi lstm crf) 创建一个我们只想预测 1 个实体的模型吗？
[编辑] 是的，我会使用的技巧是训练一个常规模型并预测每个句子的前 10 个最有可能的预测。这将为您提供按概率排序的不同可能标签。这个想法是选择包含单个实体的第一个标签，即在消除具有多个实体的预测之后最有可能的选项。
在 CRF 中，邻居的状态会影响当前的预测，因此每个句子预测 1 个实体似乎特别难于使用 CRF？
这里有一个混淆：这是真的，但“邻居”不是其他实体，它们是句子的其他词。这意味着如果一个词属于一个实体，那么下一个词也更有可能属于一个实体（即属于同一实体的一部分）。因此，使用 CRF 不会增加在句子中找到多个不同实体的概率。但是，如果所有目标实体都是单个单词，则可能不需要 CRF（我不确定是否有更好的选择）。
如果我无法使用 CRF 实现这一点，我可以使用 Bert 训练每个模型有 1 个实体的模型吗？
我不知道这个问题的答案，但我怀疑它是否需要。