标注任务是自然语言处理中的基础任务,有着广泛的应用。现有的标注方法普遍存在两种缺陷:1、通用性不高,模型表现很依赖针对具体任务设计的输入特征,对于新任务往往需要花费大量时间精力来重新设计、实验筛选特征以获取一个相对满意的表现。2、模型预测当前词的标注时只考虑了一个有限宽度的上下文窗口内的信息,未能利用整句的信息。针对这两种缺陷,本文提出了一种基于双向长短时记忆(BLSTM)循环神经网络(RNN)的通用标注模型。BLSTM-RNN具有强大的时序建模能力,理论上可以利用全部时刻的输入信息来预测某一时刻的输出,克服了过去模型只能利用有限窗口范围内信息的问题。我们只使用了非常简单的输入特征——当前词以及大小写特征,并使用词嵌套(word embedding)作为额外的补充信息。这些特征适用于几乎全部自然语言标注任务,具有很好的通用性。我们还针对BLSTM-RNN模型提出了一种新的训练词嵌套的方法,该方法可以在大量未标注语料上自动学习获取词嵌套。词嵌套的获取与BLSTM-RNN模型的训练独立,且不依赖任何针对特定任务的相关知识,因此不影响模型的通用性。我们在三个经典的标注任务:词性标注,语块切分与命名实体识别的标准测试语料上对本文所提方法进行了评测。在只使用同一套输入特征、模型结构与训练参数的情况下,我们的标注模型在每个任务上的表现都接近甚至超过了各任务中的已有最好方法的表现,显著超过了已有最好的通用标注模型的表现。我们提出的训练词嵌套的方法也超过了其它已有的词嵌套训练方法,能最大程度提高我们的通用标注模型的表现。