bounty还有4天到期。回答此问题可获得+100声望奖励。taga正在寻找来自信誉良好来源的答案：如何将POS_TAG作为特征添加到NER模型中？

word2index = list（set（df[“words”].tolist（））word2index.append（'ENDPAD '）num_words = len（list（set（word2index）））word2index = {word：index + 1 for index，word in enumerate（word2index）} postag2index = list（set（df[“pos_tag”].tolist（）））num_postag = len（list（set（postag2index）））postag2index = {word：index for index，word in enumerate（postag2index）}
tag2index = list（set（df[“tag”].tolist（）））num_tags = len（list（set（tag2index）））tag2index = {word：index for index，word in enumerate（tag2index）}
我有这3个字典，我知道如何使模型工作良好，如果我只有一个功能/序列（字），但如何添加更多的功能，例如POS_TAG？
我想使用Keras创建命名实体识别模型。这些是我遵循的链接：
https://valueml.com/named-entity-recognition-using-lstm-in-keras/https://djajafer.medium.com/named-entity-recognition-and-classification-with-keras-4db04e22503d
数据看起来像这样：

word label
0          Thousands     O
1                 of     O
2      demonstrators     O
3               have     O
4            marched     O
...              ...   ...
44187          there     O
44188   accidentally     O
44189             or     O
44190   deliberately     O
44191              .     O

他们使用单词到向量，所以他们索引单词和标签，所以X是我的特征（单词的索引序列），y是我的结果（标签的索引序列）：

max_len = 30
X = [[word2idx[w[0]] for w in s] for s in list_of_sentances]
X = pad_sequences(maxlen=max_len, sequences=X, padding="post", value=num_words-1)

y = [[label2idx[w[1]] for w in s] for s in list_of_sentances]
y = pad_sequences(maxlen=max_len, sequences=y, padding="post", value=label2idx["O"])
y = [to_categorical(i, num_classes=num_labels) for i in y]

但是如果我有这样的数据集：

这里我有另一个列，那就是POS。我如何将POS列的值添加到我的特征中？所以基本上，我不希望在我的X中只有word值，我还希望在我的X中有POS值。*（或任何其他值）如果我有多个列，例如：

word
POS
is_capital_letter
word_length

...
如何将所有这些列添加到功能中？
这是我的模型：X = np.array（X）y = np.array（y）

x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=1)

print("x_train shape", x_train.shape)
print("x_test shape", x_test.shape)
#x_train shape (750, 75)
#x_test shape (250, 75)

input_word = Input(shape=(max_len,))

model = Embedding(input_dim = vocab_len+1, output_dim = 75, input_length = max_len)(input_word)
model = SpatialDropout1D(0.25)(model)
model = Bidirectional(LSTM(units = 25, return_sequences=True, recurrent_dropout = 0.2))(model)
out = TimeDistributed(Dense(num_labels, activation = "softmax"))(model)

model = Model(input_word, out)