1. 隐马尔科夫模型（HMM）是中文信息处理中的一个基本模型，用途比较广泛，如汉语分词、词性标注及语音识别等，在NLP中占有很重要的地位。在HMM中有两个概念——状态和观测值，在词性标注中，状态是词性，观测值是词语序列，标注的过程就是用观测值预测隐藏状态的过程。在HMM中有三个重要的参数，分别是状态发生的先验概率、状态之间变化的转换概率和特定状态下产生某一观测值的概率。
2. 条件随机场（CRF）模型是在2001年由Lafferty提出的判别式概率无向图学习模型，是一种用于标注和切分有序数据的条件概率模型。条件随机场是一个序列标注算法，其结合了隐马尔科夫模型和最大熵模型的特点，不仅可以考虑词语本身和上下文特征，还可以加入词典等外部特征，具有较好的实体识别效果。因而我们选择CRF做序列标注建模。
3. 长短时记忆模型（LSTM）1997年， Hochreiter等在循环神经网络的基础上提出了LSTM单元，它解决了RNN的梯度消失和长期依赖问题。LSTM基本结构由输入门（input gates）、遗忘门（forget gates）、输出门（output gates）三种结构组成，通过门结构让信息选择性地通过，实现所需信息的记忆和其他信息的遗忘。LSTM每个循环模块中有四层结构：3个sigmoid层，1个tanh层。LSTM中还存在其他隐藏状态，一般称之为细胞状态，呈水平直线贯穿隐藏层，是LSTM的关键环节，线性交互较少，易于保存信息。细胞状态无法选择性的传递信息，更新和保持细胞状态需要借助门结构（gate）来实现，门结构由一个sigmoid层和一个逐点乘积的操作组成。LSTM通过忘记门、输入门、输出门三种门结构实现对细胞信息的增加和删除。但由于LSTM神经网络的信息输入是单方向的，从而会忽略上下文信息。因此，通过双向LSTM对一个训练序列向前向后各训练一个LSTM模型，再将训练的2个模型的输出进行线性组合，使得序列中每一个节点都能获得完整的上下文信息。
4. BERT全称是来自变换器的双向编码器表征量，Jacob等人于2018年末发布的一种新型语言模型。BERT采用了双向Transfromer结构。BERT模型中运用多层自注意力机制代替传统的RNN、CNN神经网络，有效的解决了自然语言处理中棘手的长期依赖问题。与其他语言表示模型不同，BERT旨在通过联合调节所有层中的上下文来预先训练深度双向表示。因此，预训练的BERT表示可以通过一个额外的输出层进行微调，适用于广泛任务的最先进模型的构建，比如问答任务和语言推理，无需针对具体任务做大幅架构修改。BERT在多项自然语言处理任务中均取得显著效果。
参考文献：
[1] Lafferty J D, Mccallum A, Pereira FCN.Conditional Random Fields:Probabilistic Models for Segmenting and Labeling Sequence Data[C].Eighteenth International Conference on Machine Learning.Morgan Kaufmann Publishers Inc.2001:282-289.
[2] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
[3] Huang Z, Xu W, Yu K. Bidirectional LSTM-CRF models for sequence tagging[J]. arXiv:1508.01991.2015．
[4] Devlin Jacob, Chang Ming-Wei, Lee Kenton, Toutanova Kristina. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. eprint arXiv:1810.04805, 2018.