---
title: "序列標注（Sequence Labeling）"
slug: sequence-labeling
language: zh-TW
source: https://aiterms.tw/terms/sequence-labeling
updated_at: 2026-06-22
tags: [Sequence Labeling, 序列標注, NER, NLP, CRF]
ipas_term: false
---

# 序列標注（Sequence Labeling）

將輸入序列中的每個元素映射到對應標籤的 NLP 任務類型，如命名實體識別、詞性標注、語音辨識等。

## 完整說明

Sequence Labeling（序列標注）是自然語言處理中一類基礎任務的總稱，核心目標是對輸入序列（通常是詞元或字元序列）中的每個位置預測一個標籤。與序列分類（整個序列輸出一個標籤）不同，序列標注為每個輸入元素輸出對應的標籤。命名實體識別（NER）、詞性標注（POS Tagging）、分詞、語意角色標記等都屬於序列標注任務。

## 常見問題

### NER 和序列標注是什麼關係？兩者等同嗎？

序列標注（Sequence Labeling）是任務類型的總稱，NER（命名實體識別）是其中一個具體任務。兩者的關係類似於「分類任務」和「情感分析」的關係：分類任務是方法論類別，情感分析是具體應用。屬於序列標注的任務還包括：詞性標注（POS Tagging）、語意角色標記（SRL）、對話系統的槽位填充（Slot Filling）、語音辨識的音素對齊，以及生物醫學文本中的基因名稱、疾病名稱識別。這些任務雖然應用場景不同，但都可以建模為「輸入序列 → 等長標籤序列」的結構化預測問題，因此可以使用同一套方法論（BIO 標注、BiLSTM-CRF、BERT 分類頭等）和評估框架，這也是將它們統稱為序列標注任務的意義所在。

### 為什麼序列標注需要 CRF 層？直接 Softmax 不行嗎？

直接對每個位置做 Softmax 分類在技術上完全可行，許多現代模型也確實省略了 CRF 層，尤其是使用強大預訓練模型時。CRF 的核心優勢是引入標籤間的全局約束：Softmax 在每個位置獨立決策，不考慮前後標籤的合法性，可能輸出如「O → I-ORG → B-PER」這樣無效的序列。CRF 的轉移矩陣能懲罰非法轉移（如 B-PER 後接 I-ORG），並透過 Viterbi 算法找出全局最優且合法的標籤序列。對於訓練資料有限、模型本身上下文理解能力較弱的情況，CRF 的顯式序列約束能帶來明顯的提升。但對於 BERT-Large 等強預訓練模型，上下文理解已足夠強，CRF 帶來的邊際提升有限（通常在 0.1 到 0.5 個 F1 分數之間），是否加入 CRF 需根據任務複雜度和計算成本權衡。

### 中文 NER 與英文 NER 有哪些主要差異？

中文 NER 面臨的主要挑戰是中文沒有天然的詞界（沒有空格分隔詞語），字元粒度和詞語粒度的建模需要同時考慮。英文 NER 通常以詞語（word）為基本單位，中文則常以字元（character）為基本單位輸入模型，再由模型自行學習詞彙邊界。另一個差異是實體邊界的語義：英文姓名通常有明顯的大寫標識，中文人名、地名的邊界依賴上下文語義而非形式特徵。此外，中文命名實體常與普通詞語形式相同（如「海南」可能是地名也可能是形容詞搭配），消歧需要更強的上下文理解。現代方法（BERT 中文模型、RoBERTa-wwm-ext 等）通過字元級預訓練大幅改善了這些問題，目前中文 NER 基準（如 MSRA、OntoNotes 中文）的 F1 分數也已接近英文的水準。

---

來源：https://aiterms.tw/terms/sequence-labeling
快查頁：https://aiterms.tw/terms/sequence-labeling
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-sequence-labeling