一套针对中文实体识别的BLSTM-CRF解决方案，主要包括：

1. 数据处理
2. 模型构建
3. 模型训练
4. 模型测试
5. 服务部署(thrift和flask)两种方式

实现过程的一些要点记录：

1. 粒度的问题。

   字符和词均有尝试，整体而言，差别不是太大，约%1左右，实际中应用中如果实体词比较长，词的效果稍微好点。

2. 引入外部特征加入。

   主要目的是丰富标准的blstm+crf中Word Embedding层的特征学习问题，实际过程中，加入词的特征、词性POS tag信息，会提高2%+的性能，整体看来，外部加入的特征越多，越要好一点，多多益善。

3. 实体概率计算的问题。

   主要解决应用的时候，用于某种程度的置信度的判断，主要计算方法： （输出标签概率之积）的1/len的幂。举例如下：

   比如输出实体“刘德华”的实体计算概率如下： “刘德华”对应的输出标签为B-Per、M-Per、E-Per。 P(B-Per,M-Per,E-Per)=P(B-Per)*P(M-Per|B-Per)*P(E-Per|B-Per,M-Per)

   考虑到实体长度的影响，进行求幂: Pr(B-Per,M-Per,E-Per)=pow(P(B-Per,M-Per,E-Per), 1/len(B-Per,M-Per,E-Per))