Named Entity Recognition (NER) involves extracting and classifying named entities into some pre-defined classes such as Person, Organization, Location. This task can be approached in different ways depending on whether you predict a label for each token or generate the labeled sentence. Which of the following RNN types can be used to address NER task? (select all that apply)

Đáp án đúng gồm hai ý: "Symmetric many-to-many RNN" và "Asymmetric many-to-many RNN". NER (nhận diện thực thể có tên) nhận vào một chuỗi từ và trả ra nhãn thực thể, nên cần kiến trúc nhiều vào nhiều ra. Nếu dự đoán một nhãn cho mỗi token, độ dài đầu ra bằng độ dài đầu vào, như John lives in Paris thành B-PER O O B-LOC, thì dùng many-to-many đối xứng, ở mỗi bước thời gian RNN đọc một từ và xuất ngay một nhãn. Nếu sinh lại câu đã gắn nhãn, đầu ra có thể dài khác đầu vào vì chèn thêm thẻ, thì dùng many-to-many bất đối xứng dạng encoder-decoder (seq2seq): encoder đọc hết câu rồi decoder sinh chuỗi kết quả. "One-to-one RNN" nhận một đầu vào và cho một đầu ra, thực chất là mạng truyền thẳng thường, không xử lý được chuỗi từ. "Many-to-one RNN" đọc cả chuỗi nhưng chỉ xuất một nhãn cho toàn câu, hợp với phân loại cảm xúc, không gán nhãn được cho từng thực thể.