序列标注模型的标签体系与结构设计需匹配任务目标，按三步确定类别、标注单元和编码方式；数据对齐须处理subword映射、loss屏蔽无关位置、评估还原至原始粒度。
序列标注模型的标签体系和结构设计，直接决定模型能否准确识别实体边界与类型。选错标签方案，再深的网络也学不准。
标签体系要匹配任务目标，不是越细越好
常见错误是照搬BIO或BIOES却没想清任务需求。比如做简单的人名识别，用BIOES反而增加冗余（E-PER和S-PER在单字人名里本质一样）；而做嵌套实体（如“北京市朝阳区”里“北京市”是GPE，“朝阳区”是LOC），标准BIO就表达不了。
建议按三步定标签：
- 列出所有需识别的类别（如PER、ORG、LOC、TIME），并确认是否允许重叠或嵌套
- 判断最小标注单元——是字符级（中文常用）、词级（需高质量分词）、还是子词级（如BERT的WordPiece）
- 选择编码方式：BIO足够时别硬上BIOES；需嵌套就考虑层级标签（如[ORG_start, ORG_end] + [LOC_start, LOC_end]）或Span-based建模
数据结构要对齐模型输入，避免隐式错位
训练时最常出问题的是标签序列和token序列长度不一致。尤其用预训练模型（如BERT）时，原始句子切分成subword后，标签必须同步对齐——不能直接把字级标签复制到每个subword上，也不能丢掉[CLS]、[SEP]对应位置的标签占位。
立即学习“Python免费学习笔记（深入）”；
实操要点：
- 对每个原始字符，记录它被映射到哪些subword位置；只给第一个subword保留原标签，其余标为“O”或特殊忽略标记（如-100）
- 标签列表长度必须等于模型实际输入的token数（含[CLS]、[SEP]），缺失位置补“O”，多余部分截断
- 用red">torch.utils.data.Dataset封装时，在__getitem__里完成对齐，别在全局预处理中固化映射关系（否则无法支持动态batch）
损失计算要屏蔽无关位置，防止噪声干扰
模型输出的logits维度是[seq_len, num_labels]，但并非每个位置都参与监督。比如[CLS]、[SEP]、padding位、以及被拆分词的后续subword，都不该计入loss。
推荐做法：
- 构造attention_mask同时生成active_mask：把真实token位置标1，其余标0
- 用F.cross_entropy时传入ignore_index=-100，把active_mask为0的位置标签设为-100
- 不做mask直接平均loss，等于让模型为padding位“强行学习”，收敛慢且F1易虚高
评估必须按token对齐还原，不能依赖原始字符串索引
预测结果要回退到原始字符或词粒度才能算准指标。常见陷阱：直接用模型输出的subword级预测去比对原始BIO标签，导致“张/三/丰”被拆成“张/##三/##丰”，预测标签错位一个位置就全判错。
安全做法：
- 保存原始字符到subword的映射表（如{0:[0], 1:[2], 2:[4]}），预测后按首subword取标签，合并同源字符
- 用seqeval库时，确保传入的predictions和labels已对齐到同一粒度（如全为字符级）
- 写自定义评估函数时，先过滤掉-100标签位，再按原始序列顺序比对，不依赖下标数值本身
基本上就这些。标签不是静态配置项，而是任务逻辑、数据预处理、模型结构、评估口径四者的交点。调参前先理清这一环，省下三天debug时间。
