机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

命名实体识别 (NER)语义理解中的一个重要课题。NER就像自然语言领域的“目标检测”。找到文档D 中的名词实体还不够,许多情况下,我们需要了解这个名词是表示地点(location)人名(Person)还是组织(Organization),等等:

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

来自:https://www.slideshare.net/bperz/15-sdmpolyglot-ner

上图是NER输出一个句子后标记名词的示例。

在神经网络出现之前,几乎所有NER半监督或者非监督的方法,都要依靠手工的单词特征或者外部的监督库(如gazetteer)达到最好的识别效果。

手工的单词特征可以方便提炼出类似前缀,后缀,词根,如:

-ance, —ancy 表示:行为,性质,状态/ distance距离,currency流通

-ant,ent 表示:人,…的/ assistant助手,excellent优秀的

ary 表示:地点,人,事物/ library图书馆,military军事

可以知道-ant结尾的单词很可能是指,而-ary结尾更可能指的地点

外部的监督库(如gazetteer),把一些同种类的实体聚合在一起做成一个库,可以帮助识别同一个意思的实体,如:

auntie其实和aunt一个意思:姨妈

Mikey其实是Mike的昵称,都是人名

今天所讲的这篇卡内基梅隆大学的论文,用RNN神经网络的相关技术避开使用这些人工特征,并能达到与之相当的准确率。

为了获取上述的前缀,后缀,词根等相关特征,文章对每个单词的每个字母训练一个双向LSTM,把双向LSTM的输出作为单词的特殊embedding,和预训练eStack LSTM的算法识别命名实体,感兴趣可以继续阅读原论文。mbedding合成最后的词嵌入(final embedding):

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

上图是对单词Mars(火星)构建字母级别的双向LSTM,并合并到预训练的单词embedding (来自:https://arxiv.org/pdf/1603.01360.pdf )

双向LSTM可以捕捉字母拼写的一些规律(前缀,后缀,词根), 预训练的embedding可以捕捉全局上单词间的相似度。两者结合我们得到了更好的词嵌入(embedding)。

有词嵌入表征是远远不够的,我们要有效利用这些embedding处理NER问题,一个NER预测问题和一般的机器学习差别不大:给出一个训练集(已经标注过命名实体的文档集),用测试集(未标注命名实体的文档)上的NER识别率来评价模型。

论文中为了提高上述的命名实体识别率,结合了两方面评估:

1. 对于词性tag的下一个单词可能词性tag的建模(如“吃”这个动词后大概率是类似“食物”(“饭”,“面条”等)的实体,“吃”后面极少跟“地点”的实体)

2. 对于一个单词(抛去词性),同时结合上下文单词,这个单词最可能的命名实体。

上述的第2点可以用双向LSTM建模(输入是我们之前提到的单词embedding),第1点可以用条件随机场(CRF)建模(与马尔科夫链相似)。两点结合后的模型架构如下:

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

来自:https://arxiv.org/pdf/1603.01360.pdf

其中最底层的(word embedding)就是我们前面提到的单词embedding。

中间层(Bi-LSTM)l 代表单词左侧的上下文特征, r 代表单词右侧的上下文特征,c 代表了左右两侧的合成。

最高层(CRF)把单词tag之间的关系建模,提高NER准确率。

落实到损失函数,文中也用了上述两方面的因素(tag到tag的转移率,单词是某个tag的概率):

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

其中,X=(x1, x2, . . . , xn) , 代表一个序列的句子 ,

y = (y1, y2, . . . , yn), 代表对上述序列的tag预测S(X,y)即对本次预测的打分(score)

第一部分矩阵 Ayi,yi+1 代表tag yi 转移到后一个tag yi+1的可能性的打分

第二部分矩阵 Pi,yi 是第i个单词预测为tag yi 的可能性。

最后看一下实验数据:

机器不学习:当RNN神经网络遇上命名实体识别-双向LSTM+CRF(2)

LSTM-CRF与其它算法在CoNLL-2003 测试集上NER测试的比较,带星号的是用了外部特征的算法

如预想的,LSTM-CRF如果没有使用单字符的embedding提取,结果会稍逊色一些。

另外,出来LSTM-CRF,文章还使用了层叠Stack LSTM的算法识别命名实体,感兴趣可以继续阅读原论文。

参考文献:

  1. Neural Architectures for Named Entity Recognition
  2. http://eli5.readthedocs.io/en/latest/tutorials/sklearn_crfsuite.html
  3. https://github.com/glample/tagger
  4. https://github.com/clab/stack-lstm-ner
  5. http://www.datacommunitydc.org/blog/2013/04/a-survey-of-stochastic-and-gazetteer-based-approaches-for-named-entity-recognition-part-2

相关推荐