jiesutd
commented
6 years ago - 没有漏写。M是必须的，当然换成I 也可以。如果你理解了metric.py里面的实现逻辑就知道这是没问题的。代码里用不着每个标签都要定义。
- O 和S-是不一样的标签，当然会影响结果
Closed precision2intelligence closed 6 years ago
jiesutd
commented
6 years ago 
precision2intelligence
commented
6 years ago 针对第二个问题，如果用您提供的简历的数据测试，那代码中的“S-”需要替换为“O”，对吗？
jiesutd
commented
6 years ago 不需要改代码，也不需要改数据。
precision2intelligence
commented
6 years ago 在您的代码中，只有从B到E全都标注正确，才被认为是一个right的计数，是吗？
jiesutd
commented
6 years ago NER的评价标准是F值，是基于entity来算的。
whustan
commented
4 years ago 实测数据：['O', 'M-ORG', 'M-ORG', 'E-ORG', 'E-ORG', 'B-LOC', 'E-ORG', 'O', 'B-PER', 'M-ORG', 'E-PER'] 得到实体：['[5,6]LOC', '[8,10]PER']
有几个问题，选最重要的来讨论： ['B-LOC', 'E-ORG']-->'LOC'在判断实体结束时没有检测实体类型一致性，那么这个实体类型被识别成'LOC'合适吗？
jiesutd
commented
4 years ago 实测数据：['O', 'M-ORG', 'M-ORG', 'E-ORG', 'E-ORG', 'B-LOC', 'E-ORG', 'O', 'B-PER', 'M-ORG', 'E-PER'] 得到实体：['[5,6]LOC', '[8,10]PER']
有几个问题，选最重要的来讨论： ['B-LOC', 'E-ORG']-->'LOC'在判断实体结束时没有检测实体类型一致性，那么这个实体类型被识别成'LOC'合适吗？
在这种invalid的标签序列的情况下，不同种类的处理方式都可以理解。 比如选择不识别entity，以第一个词的类别作为entity的类别，以最后一个词类别作为entity类别，这些选择都可以。@whusunny
whustan
commented
4 years ago 实测数据：['O', 'M-ORG', 'M-ORG', 'E-ORG', 'E-ORG', 'B-LOC', 'E-ORG', 'O', 'B-PER', 'M-ORG', 'E-PER'] 得到实体：['[5,6]LOC', '[8,10]PER'] 有几个问题，选最重要的来讨论： ['B-LOC', 'E-ORG']-->'LOC'在判断实体结束时没有检测实体类型一致性，那么这个实体类型被识别成'LOC'合适吗？
在这种invalid的标签序列的情况下，不同种类的处理方式都可以理解。 比如选择不识别entity，以第一个词的类别作为entity的类别，以最后一个词类别作为entity类别，这些选择都可以。@whusunny
既然是invalid的标签序列，选择不识别entity应该是最恰当的操作吧？因为另外两种启发式操作，都会改变预测结果（有时改对了有时又改错了），从而引起评测指标的不一致。我也是由于评测指标不一致，排查原因时才发现这个问题的，花费了一些时间。
Hi！ 我们在使用ResumeNER的数据时，发现标签列是“B-”，“M-”，“E-”和“O”，可是在LatticeLSTM/utils/metric.py中约76行以后的几行，给出的标签检索中没有M，所以问题是：1、“M-”对于BMES的标签方式是不是必须的？代码里是否是漏写？2、真实标签是“O”，代码中是“S-”，这是否影响最后结果？