NER中BiLSTM-CRF解读score_sentence

如果你对下面的内容有疑惑，可能需要看一下我前一篇写的对BiLSTM-CRF的讲解
CRF+BiLSTM代码分步骤解读

讲解

这个函数的作用在于计算出最佳路径的得分，这个和之前那个Forward_algorithm是不同的，主要区别在于score_sentence用于记录当前时刻看来之前一条最佳路径得分，而Forward_algorithm记录的是到达当前时刻之前所有路径的得分。

举例

过程

计算结果️
$$\begin{gathered} scor{e}_1=0+t_{3\to 0}+e_0+t_{0\to 1}+e_1+t_{1\to 0}+e_0+t_{0\to 2}+e_2 \\ scor{e}_2=scor{e}_1+t_{2\to 4} \end{gathered}$$

代码

 def score_sentence(self,e_score, tags):
    # e_score (BATCH_SIZE,SEQ_LEN,tags_size) tags (BATCH_SIZE,SEQ_LEN)
    # score (BATCH_SIZE,1)
    score = torch.zeros((BATCH_SIZE,1),device=device)

    # 给每一条标签序列添加开始标签<START> tags (BATCH_SIZE,SEQ_LEN+1)
    tags = torch.cat([torch.tensor([self.s2i[START_TAG] for _ in range(BATCH_SIZE)], dtype=torch.long).reshape(BATCH_SIZE,1), tags],dim=-1)
    for size in range(BATCH_SIZE):
      for i, feat in enumerate(e_score[size]):
        score[size] +=  self.t_score[tags[size,i + 1], tags[size,i]] + feat[tags[size,i + 1]]
    	score[size] += self.t_score[self.s2i[STOP_TAG], tags[size,-1]]
    return score