NER 中的 BIO 标注体系是什么？请举例说明 B-PER、I-PER、O 标签的含义。

BIO 标注体系

BIO（Begin-Inside-Outside）是 NER（命名实体识别）任务中最常用的序列标注编码方案，用于将"实体片段抽取"问题转化为"逐 token 分类"问题。

一、三种标签前缀

前缀含义作用
B-XXXBegin，实体片段的起始token标记一个实体的开始边界
I-XXXInside，实体片段的内部/后续token标记实体延续部分，与前面的 B/I 同类型衔接
OOutside，不属于任何实体标记非实体 token

其中XXX是实体类型，如PER（人名）、ORG（机构）、LOC（地名）、GPE（地缘政治实体）等。

二、标签含义示例

以句子"张三在北京大学读书"为例（按字切分）：

字张三在北京大学读书
标签B-PERI-PEROB-ORGI-ORGI-ORGI-ORGOO

逐个解释：

  • B-PER（张）：人名实体的起始字，表示"张"是一个 PER 类型实体的开始。
  • I-PER（三）：人名实体的内部字，与前面的 B-PER 衔接，共同构成完整实体"张三"。
  • O（在、读书）：非实体，不归属任何命名实体。
  • B-ORG（北）：机构名实体的起始字。
  • I-ORG（京大学）：机构名实体的延续字，与 B-ORG 共同构成"北京大学"。

三、解码规则

从标签序列还原实体片段的规则：

  1. 遇到B-XXX→ 开启一个新实体，记录类型和起始位置。
  2. 遇到I-XXX→ 若与前一个实体类型相同，则延续当前实体；若类型不同或前一个不是同类实体，则视为非法（实践中通常截断或报错）。
  3. 遇到O→ 关闭当前实体，输出已积累的片段。

例如上例解码结果：

  • 张三→ PER
  • 北京大学→ ORG

四、BIO 的扩展变体

方案增加的标签用途
BIOESE（End，实体末位）、S（Single，单字实体）显式标注实体边界，部分任务精度更高
BIOHDH（Hyphen）、D（Different）处理嵌套实体

BIOES 示例（“张三”）：

张三
B-PERE-PER

单字实体（如"京"作为地名）则标S-LOC。

五、为什么需要 BIO 而不是直接标类型

若直接给每个 token 标PER/ORG/O，模型无法区分相邻同类实体边界。例如"张三李四"两个独立人名，直接标注为PER PER，解码时会被错误合并为一个实体"张三李四"。BIO 通过B显式标记起始边界，保证：

  • B-PER I-PER B-PER I-PER→ 解码为两个实体"张三"和"李四"
  • B-PER I-PER I-PER I-PER→ 解码为一个实体"张三李四"

六、与 CRF 的配合

BIO 标签序列存在合法转移约束，例如：

  • O不能直接接I-XXX（必须有前置B-XXX）
  • B-PER不能接I-ORG（类型必须一致）

CRF 的转移矩阵可以学习这些约束，对非法转移赋予负权重，从而在解码阶段自动避免不合法的标签序列。这是 BiLSTM-CRF / BERT-CRF 在 NER 中优于纯 softmax 输出层的关键原因之一。