AIN：基于近似推理网络的快速且准确的序列标注

线性链条件随机场（Linear-chain Conditional Random Field, CRF）模型是目前最广泛使用的神经序列标注方法之一。在CRF模型的训练与预测阶段，通常采用精确的概率推断算法，如前向-后向算法和维特比（Viterbi）算法。然而，这些算法依赖于串行计算，难以实现并行化。本文提出采用一种可并行化的近似变分推断算法来替代传统方法。基于该算法，我们设计了一种近似推断网络，可与神经CRF模型的编码器相连，构成端到端的网络结构，从而支持并行计算，显著提升训练与预测效率。实验结果表明，所提出的方法在处理长句时，解码速度相比传统CRF方法提升了12.7倍，同时在准确率方面保持了与传统方法相当的性能。