A simple BiLSTM-CRF model for NER

识别会计领域的实体（下次把计算机方向的加上）
This code works on Python 3 & TensorFlow 1.2

模型架构图如下：

对于每一个输入的中文语句，语句中的每个字都会对应于集合{O，B-Acc，M-Acc，E-Acc}中的一个tag。

模型的第一个layer (look-up layer)，用于将字的one-hot向量表示转化为 character embedding（词嵌入） 。在本模型实现中，并没有提前训练好Word2vec向量模型对字进行初始化，而仅仅是简单的随机初始化，此处是以后待改进的一个地方。

模型的第二个layer (BiLSTM layer)，双向的lstm模型能有效地利用 past and future（过去和未来） 的信息，自动提取特征。

模型的第三个layer (CRF layer)， 对每句话中的标签进行标注。如果我们用 Softmax layer 进行标注，我们将得到无语法结构的标注答案， 因为 softmax 无法独立地对每个位置进行标注。

Tensorflow 模型图如下：

train

python main.py --mode=train

test

python main.py --mode=test --demo_model=1521112368

demo

python main.py --mode=demo --demo_model=1521112368