大数据分析人工智能预测模型：使用序列模型对一句话中的每个词进行次性预测

在语言中，一个单词是有词性的，比如动词、形容词、名词等等，我们可以使用LSTM来做词性的判断。做词性判断可以有两种方式：

第一种是把一句话当作是一个序列数据，然后这句话中的每个词都是一个词向量，对应RNN的一个时间步，我们将其输入到神经网络中，然后每一个时间步都会有一个输出，每个输出表示输入到该时间步的单词的词性。

还有一种方式就是将词拆分成一个一个的字母，每个时间步输入到RNN中一个字母向量，然后在最后一个时间步输出这个单词的词性是什么

我们可以将这两种方式来结合起来，完成整个词性的判断

以上就是我们的训练数据，DET、NN表示每个单词的词性，我们可以认为是对应词的标签

现在我们来生成字典，第一个字典是词的字典word_to_idx，第二个字典是标签的字典tag_to_idx

然后还要生成一个包含26个字母的字典

下面我们建立一个方法，这个方法就是当我们传入这个方法中字母或者单词的时候，就可以产生对应字典中的编号，就相当于对字符进行编码了。我们要将这个编码好的输入到神经网络中。

现在我们建立神经网络，第一个神经网络是每一个时间步输入为一个单词的字母，我们最后要最后一个时间步的输出

x.shape为[4,1,10]，其中4表示序列是4，1表示batch为1，10表示词向量为10，out[-1]表示获取最后一个时间步的输出

其中参数n_word表示字典中词的数量，n_char表示字母字典中词的数量，char_dim表示字母向量的维度，word_dim表示词向量的维度，char_hidden表示char的LSTM的输出维度，word_hidden表示word的LSTM的输出维度，n_tag表示词性的类别。

这个神经网络的运行过程就是先进行字母预测，也就是将一句话中的每个单词进行字母预测，然后进行单词级别的预测，然后将这两者的预测输出cat组合，然后输入到全连接神经网络中，然后做最终的预测

然后进行测试