📄👀
「小明在台北的台灣科技大學工作。」
NER 要做的事情，是找出文字中的命名實體。
命名實體辨識 × Conditional Random Field｜「找出名字」與「考慮整句關係」
NER 要做的事情，是找出文字中的命名實體。
模型還要考慮：
輸入一整段文字。
模型判斷每個詞的角色。
最後形成一串標籤。
這就是序列標註的概念。
如果每個位置都獨立判斷，可能產生不合理的標籤組合。
CRF 會考慮整個標籤序列以及標籤之間的關聯。
不是只挑每個詞看起來最像的標籤。
而是尋找：
重點是：給定輸入 X，判斷哪個輸出標籤 Y 最合理。
CRF 正是條件式模型，直接建模輸入條件下的標籤分布。
例如一些生成式機率模型會建立聯合分布或資料生成過程。
⚠️ 本題問 CRF 的模型類型，答案不是這一類。
例如：
根據整份輸入文字 X，評估不同標籤序列 Y 的合理程度。
| 選項 | 類型 | 白話 |
|---|---|---|
| A. 生成式模型 | ❌ | 重點在建立資料生成相關的機率分布；不是 CRF 的分類。 |
| B. 無監督模型 | ❌ | CRF 用於有標籤的條件式預測／序列標註情境，不屬於無監督模型。 |
| C. 鑑別式模型 | ✅ | 直接建模輸入 X 與標籤 Y 的條件關係。 |
| D. 自迴歸模型 | ❌ | 自迴歸強調依序根據前面生成的結果預測下一個輸出，與本題 CRF 的模型分類不同。 |
一整份文字。
每個詞／字需要標籤。
考慮標籤之間的關聯，選出整體合理的序列。
看到「NER／序列標註」→ 🏷️ 想標籤
看到「詞與詞／標籤之間關聯」→ 🧩 想 CRF
看到「CRF 是哪一類模型」→ 🎯 鑑別式模型
⭐ 最終口訣：CRF 不負責「生成」，而是「根據輸入辨別哪組標籤最合理」！
A. 生成式模型（Generative Model）
B. 無監督模型（Unsupervised Model）
C. 鑑別式模型（Discriminative Model）
D. 自迴歸模型（Autoregressive Model）
| 題目關鍵字 | 立刻想到 |
|---|---|
| NER | 🏷️ 命名實體辨識／序列標註 |
| 人名、地名、組織 | 🏷️ NER |
| 整份文字／序列 | 📄 Sequence |
| 考慮詞與詞、標籤與標籤關聯 | 🧩 CRF |
| CRF 模型類型 | 🎯 鑑別式模型 |
| CRF ≠ | ❌ 生成式／無監督／自迴歸 |
⭐ NER：幫詞貼標籤！
CRF：看整段關係，找最合理的標籤組合！
CRF 類型：鑑別式模型！
NER（命名實體辨識）是幫文字中的人名、地名、組織等實體貼上標籤的任務；CRF（Conditional Random Field）則是常用來完成 NER 的模型，會考慮整份文字序列中標籤與標籤之間的關聯，選出整體最合理的標籤組合，而不是只看單一詞。
因為如果每個位置都獨立判斷，可能產生不合理的標籤組合（例如前後標籤搭配起來不合邏輯）。CRF 的重點就是同時考慮整個標籤序列以及標籤之間的關聯，找出整體最合理的組合，而不是單看某個詞最像哪個標籤。
CRF 是鑑別式模型（Discriminative Model），它直接建模「給定輸入文字 X，判斷哪個標籤序列 Y 最合理」的條件機率 P(Y｜X)，重點不是描述資料如何產生，這點常是 iPAS 考題要測試的核心。
常見干擾選項包括生成式模型（重點在建立資料生成的機率分布，不是 CRF）、無監督模型（CRF 需要標註資料學習，不是無監督）、自迴歸模型（強調依序用前面輸出預測後面輸出，也不是 CRF 的分類）。正確答案是鑑別式模型。
因為 NER 不是只判斷單一詞，而是要為整段文字序列中的每個詞或字決定標籤（例如 B-ORG、O、B-LOC 這類標記），這種「對一整個序列逐一標註」的任務類型就稱為序列標註（Sequence Labeling）。