中文NER的那些事儿1. Bert | 您所在的位置:网站首页 › 建模讲解稿 › 中文NER的那些事儿1. Bert |
这个系列我们来聊聊序列标注中的中文实体识别问题,第一章让我们从当前比较通用的基准模型Bert+Bilstm+CRF说起,看看这个模型已经解决了哪些问题还有哪些问题待解决。以下模型实现和评估脚本,详见 Github-DSXiangLi/ChineseNER NER问题抽象实体识别需要从文本中抽取两类信息,不同类型的实体本身token组合的信息(实体长啥样),以及实体出现的上下文信息(实体在哪里)一种解法就是通过序列标注把以上问题转化成每个字符的分类问题,label主要有两种其中BIO更常见些 BIO:B标记实体的开始,I标记其余部分,非实体是OBMOES:B标记开始,E标记结束,中间是M,单字实体是S,非实体是O主流中文实体识别任务都是字符级输入,考虑后面会用到Bert-finetune统一用bert-tokenizer做字符到ID的映射。不以中文分词作为输入粒度的原因也很简单,其一分词本身的准确率限制了NER的天花板,其二不同领域NER的词粒度和分词的粒度会存在差异进一步影响模型表现。如何引入中文词粒度信息,之后会通过词汇增强的方式来实现。以下是训练数据的Demo ![]() NER评估分为Tag级别(B-LOC,I-LOC)和Entity级别(LOC),一般以entity的micro F1-score为准。因为tag预测准确率高但是抽取出的entity有误,例如边界错误,在实际应用时依旧抽取的是错误的实体。repo中的evalution.py会针对预测结果分别计算Tag和Entity的指标,以下是Bert-bilstm-crf在MSRA数据集上的表现 ![]() 以上Entity级别的指标,针对预测抽取的实体和实际标注的实体进行计算 \[\begin{align} precision &= \frac{预测正确实体}{预测得到实体}\\ recall &= \frac{预测正确实体}{实际实体} \\ F1 &=\frac{2*precision*recall}{precision+recall}\\ \end{align} \] 有两种聚合方式,micro是直接整体求precision,recall和F1。macro是分别计算各个实体类型的precision, recall和F1然后简单平均得到整体的结果。考虑到不同实体类型的占比往往存在差异(尤其是对细分类别的NER任务),所以整体评估一般以micro为准。在MSRA和people daily数据集上差别不大,因为只有3类实体且数据量差不太多。 基线模型 Bert-Bilstm-CRF来看下基准模型的实现,输入是wordPiece tokenizer得到的tokenid,进入Bert预训练模型抽取丰富的文本特征得到batch_size * max_seq_len * emb_size的输出向量,输出向量过Bi-LSTM从中提取实体识别所需的特征,得到batch_size * max_seq_len * (2*hidden_size)的向量,最终进入CRF层进行解码,计算最优的标注序列。 ![]() 下面让我们从bottom到top,一层层来看Bert,bilstm和crf分别解决了哪些问题~ Layer1 - Bert:Contextual Embedding/Pretrain Language Model解决问题:NER标注数据少,文本信息抽取效果不佳 paper:Semi-supervised sequence tagging with bidirectional language models 作者是18年提出ELMo的大神,他在16年就提出引入预训练语言模型可以提升序列标注效果。NER任务需要的文本信息可以大致分成词信息,考虑上下文的词信息,以及信息到实体类型的映射。paper指出预训练词向量(指Word2vec/glove这类静态不考虑上下文的词嵌入),只涵盖基于共现的独立词信息,而考虑上下文的词信息还是要用有限的NER标注数据来训练,往往会导致信息抽取效果不好,以及泛化效果不好。 于是作者在大规模无标注数据集上训练了双向LM,由BiLSTM的forward和bachward层拼接得到文本表征,用LM模型来帮助抽取更全面/通用的文本信息。在NER模型中第一层BiLSTM从NER标注数据中学习上下文信息,第二层BiLSTM的输入由第一层输出和LM模型的输出拼接得到,这样就可以结合小样本训练的文本表征和更加通用LM的文本表征。 ![]() 放在当下,预训练语言模型已经从Elmo一路到了各种bert,用法也和paper中略有区别。考虑到Bert强大的信息记忆和抽取能力,我们可以直接把Bert放在最底层用于抽取考虑上下文的文本信息。这里我对比了用bert的输入token embedding训练的bilstm-crf和finetune bert+bilstm-crf的效果。可以看到bert在entity级别的F1提升是惊人的,当然这个提升对于大样本的标注数据可能不会这么明显。 ![]() ![]() 顺便说一下在实现的时候因为用了Bert所以要加入[SEP],[CLS]和[PAD],当时纠结了下这是都映射到1个label?还是各自映射到一个label?最后考虑到后面CRF转移矩阵的计算还是觉得各自映射到1个label会比较合适,看了下训练时打出的summary会发现step=100(其实应该在10以前)模型就已经完美的学到[SEP],[CLS],[PAD]了,所以对结果不会有任何影响滴 ![]() 解决问题:抽取用于实体分类的包含上下文的文本信息 paper:Bidirectional LSTM-CRF Models for Sequence Tagging 16年的paper算是首篇把BiLSTM-CRF用于NER任务的尝试。Bilstm的存在是提取双向文本信息。和多数文本任务一样,如果想要speed up训练速度会考虑用CNN来替代RNN,想要捕捉kernel_size长度之外的信息,可以尝试stack-CNN或者拼接不同长度kernel_size的CNN。当时这些都是SOTA级别的模型,不过放在BERT出世后的今天,bilstm/cnn作为文本上下文信息提取的作用究竟还有多大嘞? 我简单比较了Bert-bilstm-crf,Bert-cnn-crf和Bert-crf在msra和people_daily数据集上的效果。在msra上确实有提升,不过在people daily上Bert-crf效果最好。整体上感觉bert把需要的信息都做了提取,bilstm只是选择性从中挑选有用的信息做整合,所以增益并不是很大。如果你的标注数据很少,或者对预测latency有要求,Bert-crf可能更合适些。 ![]() ![]() 解决问题:实体内标签分类的一致性,T个N分类问题转化为 N^T的分类问题 paper: Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data 把实体识别抽象为序列标注问题后,其中一个问题就是label的预测是独立的,但实体识别的准确率是把实体作为整体来计算的,所以需要考虑到实体内label预测的一致性,计算整个标注序列的全局最优,也就是把求解T个N分类问题转化为从 N^T个序列中寻找概率最大的预测序列。序列标注模型经历了从HMM到MEMM再到CRF的更迭,让我们来简单对比下三个模型 1. HMM![]() 隐马尔可夫有向图模型,由观测序列和隐状态序列构成,在NER问题中观测序列就是输入句子,隐状态就是实体label,模型包含3个核心假设: 齐次马尔可夫性假设:P(s_{t}|s_{1,2,...t-1})=P(s_{t}|s_{t-1}),当前实体label只和前一位置的label有关 不动性假设:转移概率矩阵和位置无关P(s_i|s_{i-1})=P(s_j|s_{j-1})观测独立假设:观测只和当前位置隐状态有关P(O_t|s_{1,2,...t-1},O_{1,2,...t-1})=P(O_t|s_t)用HMM来对NER问题建模需要把条件概率先转化为联合概率如下 \[\begin{align} argmax P(s_1,...,s_T|O_1,...,O_T) &\propto argmax P(s_1,...,s_T,O_1,...,O_T)\\ &= argmax P(O_1,...,O_T|s_1,...,s_T)\cdot P(s_1,...,s_T)\\ &= argmax P(s_0)\cdot \prod_{i=1}^TP(s_t|s_{t-1})\cdot P(O_t|s_t) \end{align} \] 以上也就得到了HMM需要求解的三个变量 初始状态P(s_0):句子第一个label是B-PER/I-PER/.../O的概率 全局转移矩阵P(s_t|s_{t-1}):B-PER->I-PER, I-PER->B-LOC,实体label间的转移概率 输出概率P(O_t|s_t):P(北|B-LOC)已知状态输出是某一token的概率 预测过程,既对已知观测序列,求解最有可能的状态序列。直接求解长度为T,label_size=N的序列是 O(N^T)的复杂度,通常采用动态规划的Viterbi算法来把复杂度降低到 O(N^2T),详细的计算过程可以看文章最后的附录部分 看到这里你觉着用HMM来求解NER有啥问题嘞?主要问题有2个 观测独立假设,每个输出(character)当然不只依赖隐状态(label)还会依赖上下文信息HMM作为生成模型要计算联合概率,如果要引入额外特征来描述观测,例如大小写前缀后缀,需要计算每个特征的likelihood,所以很难引入额外特征。同时模型拟和的是联合概率,和预测需要的P(S|O)条件概率存在不一致。2.MEMM![]() HMM在序列标注中的优势是隐状态间的跳转,会有效提高实体预测label之间的一致性。让我们保留优点,放松观测独立的假设,再把生成模型换成判别模型,直接对P(S|O)进行建模我们就得到了MEMM最大熵马尔可夫模型。MEMM可以方便的引入任意特征来对观测数据进行描述,并且没有观测独立假设后实体标签可以依赖任意上下文信息。 最大熵模型是对数线性模型,对滴就是熟悉的logistic regression,每个step都是多分类问题,输入F是基于t和t-1时刻的状态以及观测序列X构建的特征函数,输出是t时刻各个状态的概率(sum=1局部正则化),以下Z是正则因子 \[P(s_t|s_{t-1}, O) = \frac{1}{Z(s_{t-1},O)}exp(W^T \cdot F(s_t,s_{t-1},O)) \] 用MEMM求解给定观测下最优的标注序列如下 \[\begin{align} & argmax P(s_1,...,s_T|O_1,...,O_T) \\ &=\prod_{i=1}^TP(s_t|s_{t-1},O_1,...O_T) \\ &=\prod_{i=1}^T\frac{1}{Z(s_{t-1},O)}exp(W^T \cdot F(s_t,s_{t-1},O)) \\ \end{align} \] 那用MEMM来求解NER还有啥问题勒? LabelBias: MEMM的局部正则化会导致预测时倾向于选择可转移状态更少的状态。很多博客都详细介绍了这个问题最大熵马尔可夫模型(MEMM)及其三个基本问题3. CRF![]() 保留MEMM判别模型,马尔可夫状态转移,以及每个状态都依赖完整上下文的优点,CRF直接在全局进行正则化,解决了label bias的问题。对比MEMM在每个step进行正则化得到概率,CRF是直接对T个step所有 N^T个可能状态路径计算全局概率进行正则化,如下 \[\begin{align} & argmax P(s_1,...,s_T|O_1,...,O_T) \\ &=\frac{1}{Z(x)} \prod_{i=1}^Texp(W^T \cdot F(s_i,s_{i-1},O))\\ &=\frac{1}{\sum_{N^T\text{个paths} }exp( \sum_{i=1}^T W^T \cdot F(s_i,s_{i-1},O))}exp( \sum_{i=1}^T W^T \cdot F(s_i,s_{i-1},O)) \end{align} \] 以上特征函数F可以进一步拆解成L个转移类特征和K个状态类特征之和 \[W^T \cdot F(s_{i-1},s_i,O) = \sum_{k=1}^{K} w_k f_k(s_i,O) + \sum_{l=1}^{L} w_l f_l(s_i,s_{i-1},O) \] 让我们来看下tensorflow中tf.contrib.crf的相关实现。其中转移特征函数是全局的转移矩阵,状态特征是最后一个layer输出的logit。解码同样是viterbi就不多说了,训练时loglikelihood的计算分为以下几步 计算真实序列的特征得分binary_score = \sum_{\text{real path}} \text{transition probabitliy}unary_score = \sum_{\text{real path}} \text{logits}sequence_score = bianry_score + unary_score计算用于正则化的全部路径得分log_normcrf_log_norm巧妙利用了矩阵计算把遍历所有路径 O(N^T)的复杂度降低到了 O(N^2T), 每一步都是N*N的矩阵乘积运算在CrfForwardRnnCell中实现,细节可以去看李航大大的统计学习方法,简单来说就是定义矩阵M \[\begin{align} M(s_{i-1},s_i|O) &= exp(W^T \cdot F(s_i,s_{i-1},O))\\ log(Z(x))&= log(s_1) + \sum_{i=2}^{T-1} M_i(X) +log(s_T)\\ \end{align} \] 输出crf_log_likelihood = sequence_score - log_norm现在NER任务基本以加入CRF为主,让我们我们对比下在Bert输出层后直接加cross-entropy和CRF的效果差异如下。在tag级别cross-entropy和CRF基本是一样的,但因为加入了对Label转移概率的约束,CRF在entity级别的指标上有明显更高的召准。 ![]() ![]() 还要注意一点就是和Bert一起训练的CRF,最好使用不同的learning rate,Bert层是微调lr不能太高不然会出现信息遗忘,一般在 e^{-5}~e^{-6}。而这么小的lr会导致CRF层转移概率收敛太慢,CRF的lr一般需要乘100~500倍。更多细节可以看下【REF6】。代码实现采用了分层lr,按variable_scope来区分lr,越靠近输出层的lr越高。 基准模型在两个数据集上看起来好像已经很不错,但是在实际应用中还有许多需要解决的问题。例如NER标注样本太少如何解决,垂直领域迁移问题,中文词边界问题和词汇信息增强,Label Imbalance问题等等,我们在后面的章节再慢慢唠 Ref-AConditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data, 2001Bidirectional LSTM-CRF Models for Sequence Tagging, 2015Named Entity Recognition with Bidirectional LSTM-CNNs, 2016Neural Architectures for Named Entity Recognition, 2016Semi-supervised sequence tagging with bidirectional language model你的CRF层的学习率可能不够大http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/https://zhuanlan.zhihu.com/p/103779616Ref-B Viterbi 定义t时刻到达状态i的最大概率路径 \[\delta_t(i)=max_{s_1,..s_{t-1}}P(s_1,..,s_{t-1},s_t=i,O_1,...,O_t|\pi,A,B) \] 综合转移概率和输出概率,\delta_t(i)存在以下递归关系,因此每一步只需要做N->N个状态复杂度为 O(N^2)的递归计算 \[\delta_{t+1}(i) = max_{j}[\delta_{t}(j) \cdot A_{j,i}] \cdot B_i(O_{t+1}) \] 向前递归计算的同时记录每一步状态i前一刻的状态j,当递归到序列尽头,得到T时刻最大概率的状态再往前回溯,得到最大概率对应的状态序列 |
CopyRight 2018-2019 实验室设备网 版权所有 |