我无法弄清楚这是哪种机器学习：
训练集：由带有对象短语对象标签的句子组成示例：
"This is a black chair. It is next to a large bed."
短语'This', 'black chair', 'it'用 label 注释"chair"，短语'large bed'用 label 注释'bed'。可以分配 18 个可用标签。
对于未注释的句子，我想预测句子中每个短语的标签。
例如：
There is a study table in the corner of the room, behind it is a small chair.
我希望模型为表示上述句子中的对象的每个短语预测一个标签（可用 18 个标签）。
预期输出：
'study table', 'it' -----> label 'table'
'small chair' -----------> label 'chair'
这是分类、回归还是其他类型的问题？
但是，在这种情况下，您似乎正在尝试解决coreference resolution的问题，这通常是一项非常困难的任务。我认为这通常涉及比简单序列标记更复杂的模型，但我不是这方面的专家。您可能想围绕这个主题进行搜索，当然有一些相关的论文和工具。
有几种不同的方法可以解决问题。
一种方法是多类分类。目标是为每个短语分配一个离散标签。为了获得短语，您必须首先构建一个解析树。您没有列出所有标签，但我们假设它们都是名词。然后你需要一个词性标注器（词性标注器）来查找所有名词短语。可以预测每个名词短语属于一个类。
@Erwan 可能给了你一个更好的主意，但是对于一个更简单的问题，当每个标记都有一个单独的类时，这可以被视为语音标记的一部分，这本质上是一个每个标记的多类问题。这假设每个标记只能映射到一个正确的类。在这种情况下，LSTM 的输出将是大小，例如(1, seq_length, hidden_dim)，您将其整形为(seq_length, hidden_dim)，并seq_length成为批量维度。您将此输出输入线性层，以获得一批输出 size seq_length。现在您可以为此批次使用 NegativeLogLikelihood 损失函数。对于每个标记，您将有一个标签的单热向量（多类问题）。