根据我的经验，这些情况在实践中几乎是不可避免的，但这不是一个真正的问题：

• 顺序模型学习根据特征将每个标记分类为 B、I 或 O。有时它可能会在测试数据中找到一个案例（有时甚至在训练数据中，如果它很嘈杂），即使之前的标记是 O，基于特征的最有可能的类别是 I。通常情况下很少见，因为模型没有看到训练数据中的任何 OI 序列。
• 这并不重要：如果需要，可以轻松运行后处理脚本，将任何 OI 序列转换为 OB。
• 请注意，如果您真的不想获得这种不一致，您可以选择不同的标记方案，例如只有 O,I。然而，在常规 NE 任务中，捕捉实体开始的指标很重要，并且可能与表征持续实体的指标不同，因此这可能会降低性能。请注意，存在其他方案，例如 BILOU，但由于它更复杂，因此通常会导致更多的不一致。

研究维特比算法可能会很有趣。应用时，您基本上会查看成对的标记而不是单个标记。然后，您可以构造您的转换矩阵（即令牌 X 在令牌 Y 之前的条件概率），这样就不允许从 O 到 I 标签的转换（概率为 0）。

要记住的一件事是，从 O 标记到没有 B 标记的 I 标记的转换基本上具有较少的证据，并且这些后处理方法可能导致更高的误报率。