基于双向LSTM和迁移学习的seq2seq核心实体识别
http://spaces.ac.cn/archives/3942/
暑假期间做了一下百度和西安交大联合举办的核心实体识别竞赛，最终的结果还不错，遂记录一下。模型的效果不是最好的，但是胜在“端到端”，迁移性强，估计对大家会有一定的参考价值。
比赛的主题是“核心实体识别”，其实有两个任务：核心识别 + 实体识别。这两个任务虽然有关联，但在传统自然语言处理程序中，一般是将它们分开处理的，而这次需要将两个任务联合在一起。如果只看“核心识别”，那就是传统的关键词抽取任务了，不同的是，传统的纯粹基于统计的思路（如TF-IDF抽取）是行不通的，因为单句中的核心实体可能就只出现一次，这时候统计估计是不可靠的，最好能够从语义的角度来理解。我一开始就是从“核心识别”入手，使用的方法类似QA系统：
1、将句子分词，然后用Word2Vec训练词向量；
2、用卷积神经网络（在这种抽取式问题上，CNN效果往往比RNN要好）卷积一下，得到一个与词向量维度一样的输出；
3、损失函数就是输出向量跟训练样本的核心词向量的cos值。
于是要找到句子的核心词，我只需要给每个句子计算一个输出向量，然后比较它与句子中每个词的向量的cos值，降序排列就行了。这个方法的明显优势是运行速度很快。最终，我用这个模型在公开评测集上做到了0.35的准确率，后来感觉难以提升，就放弃了这个思路。
为什么放弃？事实上，这个思路在“核心识别”这部分做得很好，但它的致命缺陷就是：它依赖于分词效果。分词系统往往会把一些长词构成的核心实体切开，比如“朱家花园”切分为“朱家/花园”，切分后要进行整合就难得多了。于是，我参照《【中文分词系列】 4. 基于双向LSTM的seq2seq字标注》一文，用词标注的思路来做，因为这个思路不明显依赖于分词效果。最终我用这个思路做到了0.56的准确率。
大概步骤是：
1、将句子分词，然后用Word2Vec训练词向量；
2、将输出转化为5tag标注问题：b（核心实体首词）、m（核心实体中）、e（核心实体末词）、s（单词成核心实体）、x（非核心实体部分）；
3、用双层双向LSTM进行预测，用viterbi算法进行标注。
最后，需要一提的是，根据这种思路，甚至可以不分词就来做核心实体识别，但总的来说，还是分了词的效果会好一些，并且分词有利于降低句子长度（100字的句子分词后变成50词的句子），这有利于减少模型的参数个数。这里我们只需要一个简单的分词系统即可，并且不需要它们内置的新词发现功能。
迁移学习
但是，用这个思路之前我是很不确定它最终的效果的。主要原因是：百度给出了1.2万的训练样本，但却有20万的测试样本。比例如此悬殊，效果似乎很难好起来。此外，有5个tag，其中相比x这个tag，其他四个tag的数量是很少的，只有1.2万的训练样本，似乎存在数据不充分的问题。
当然，实践是检验真理的唯一标准。这个思路的首次测试就达到了0.42的准确率，远高于我前面精心调节了大半个月的CNN思路，于是我就往这个思路继续做下去。在继续做下去之前，我分析了这种思路效果不错的原因。我觉得，主要原因有两个：一个是“迁移学习”，另外一个就是LSTM强大的捕捉语义的能力。
传统数据挖掘的训练模型，是纯粹在训练集上做的。但是我们很难保证，训练集跟测试集是一致的，准确来说，就是很难假设训练集和测试集的分布是一样的。于是乎，即使模型训练效果非常好，测试效果也可能一塌糊涂，这不是过拟合所致，这是训练集和测试集不一致所造成的。
解决（缓解）这个问题的一个思路就是“迁移学习”。迁移学习现在已经是比较综合的建模策略了，在此不详述。一般来说，它有两套方案：
1、在建模前迁移学习，即可以把训练集和测试集放在一起，来学习建模用到的特征，这样得来的特征已经包含了测试集的信息；
2、在建模后迁移学习，即如果测试集的测试效果还不错，比如0.5的准确率，想要提高准确率，可以把测试集连同它的预测结果一起，当做训练样本，跟原来的训练样本一起重新训练模型。
大家可能对第2点比较困惑，测试集的预测结果不是有错的吗？输入错误的结果还能提高准确率？托尔斯泰说过“幸福的家庭都是相似的，不幸的家庭各有各的不幸”，放到这里，我想说的是“正确的答案都是相同的，错误的答案各有各的不同”。也就是说，如果进行第2点训练，测试集中给出的正确答案，效果会累积，因为它们都是正确的（相同的）模式的出来的结果，但是错误的答案各有不同的错误模式，如果模型参数有限，不至于过拟合，那么模型就会抹平这些错误模式，从而倾向于正确的答案。当然，这个理解是否准确，请读者点评。另外，如果得到了新的预测结果，那么可以只取两次相同的预测结果作为训练样本，这样的正确答案的比例就更高了。
在这个比赛中，迁移学习体现在：
1、用训练语料和测试语料一起训练Word2Vec，使得词向量本捕捉了测试语料的语义；
2、用训练语料训练模型；
3、得到模型后，对测试语料预测，把预测结果跟训练语料一起训练新的模型；
4、用新的模型预测，模型效果会有一定提升；
5、对比两次预测结果，如果两次预测结果都一样，那说明这个预测结果很有可能是对的，用这部分“很有可能是对的”的测试结果来训练模型；
6、用更新的模型预测；
7、如果你愿意，可以继续重复第4、5、6步。
双向LSTM
主要的模型结构：
'''
用最新版本的Keras训练模型，使用GPU加速（我的是GTX 960）
其中Bidirectional函数目前要在github版本才有
'''
from keras.layers import Dense, LSTM, Lambda, TimeDistributed, Input, Masking, Bidirectional
from keras.models import Model
from keras.utils import np_utils
from keras.regularizers import activity_l1 #通过L1正则项，使得输出更加稀疏
sequence = Input(shape=(maxlen, word_size))
mask = Masking(mask_value=0.)(sequence)
blstm = Bidirectional(LSTM(64, return_sequences=True), merge_mode='sum')(mask)
blstm = Bidirectional(LSTM(32, return_sequences=True), merge_mode='sum')(blstm)
output = TimeDistributed(Dense(5, activation='softmax', activity_regularizer=activity_l1(0.01)))(blstm)
model = Model(input=sequence, output=output)
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
就是用了双层的双向LSTM（单层我也试过，多加一层效果好一些），保留LSTM每次的输出，然后对每个输出都做一下softmax，整个过程基本就是分词系统一样了。
当然，这个模型的好坏，很大程度上还取决于词向量的质量。经过多次调试，我发现如下的词向量参数基本是最优的：
word2vec = gensim.models.Word2Vec(dd['words'].append(d['words']),
min_count=1,
size=word_size,
workers=20,
iter=20,
window=8,
negative=8,
sg=1)
也就是说，skip-gram的效果要比cbow要好，负样本采样的模式要比层次softmax要好，负样本的数目要适中，窗口大小也要适中。当然，这个所谓的“最优”，是多次人工调试后，我自己“直观感觉”的，欢迎大家做更多的测试。
关于比赛
百度跟西安交大这个比赛其实去年我也留意到了，但是我去年还是菜鸟水平，没法做那么艰难的任务。今年尝试做了一下，感觉收获颇丰的。
首先，比赛是百度举行的，单凭这点已经很有吸引力了，因为通常感觉如果能得到百度的肯定，那是一件了不起的事情，所以挺期待这类比赛的（希望有时间参加吧），也希望百度的比赛越办越好哈（套话了～）。其次，在这个过程中，我对语言模型的例子、深度网络的搭建与使用等，都有了更加深入的认识了，比如CNN怎么用于语言任务、可以用于哪些语言任务，还有seq2seq的初步使用等。
很碰巧的是，这次是一个自然语言处理任务，上次泰迪杯是一个图像任务，两次加起来，我把自然语言处理和图像的基本任务都做了一遍，心里对这些任务的处理都比较有底了，感觉挺踏实的。
完整代码
说明文件
基于迁移学习和双向LSTM的核心实体识别
==============================================================
总的步骤（在train_and_predict.py中一一对应）
==============================================================1、训练语料和测试语料都分词，目前用的是结巴分词；
2、转化为5tag标注问题，构建训练标签；
3、训练语料和测试语料一起训练Word2Vec模型；
4、用双层双向LSTM训练标注模型，基于seq2seq的思想；
5、用模型进行预测，预测准确率大约会在0.46～0.52波动；
6、将预测结果当作标签数据，与训练数据一起，重新训练模型；
7、用新模型预测，预测准确率会在0.5～0.55波动；
8、比较两次预测结果，取交集当做标签数据，与训练数据一起，重新训练模型；
9、用新模型预测，预测准确率基本保持在0.53～0.56。==============================================================
编译环境：
==============================================================硬件环境：
1、96G内存（事实上用到10G左右）
2、GTX960显卡（GPU加速训练）软件环境：
1、CentOS 7
2、Python 2.7（以下均为Python第三方库）
3、结巴分词
4、Numpy
5、SciPy
6、Pandas
7、Keras（官方GitHub版本）
8、Gensim
9、H5PY
10、tqdm==============================================================
文件使用说明：
==============================================================train_and_predict.py
包含了从训练到预测的整个过程，只要“未开放的验证数据”格式跟“开放的测试数据”opendata_20w格式一样，那么就可以
与train_and_predict.py放在同一目录，然后运行
python train_and_predict.py
就可以完成整个过程，并且会生成一系列文件：--------------------------------------------------------------
word2vec_words_final.model，word2vec模型words_seq2seq_final_1.model，首次得到的双层双向LSTM模型
--- result1.txt，首次预测结果文件
--- result1.zip，首次预测结果文件压缩包words_seq2seq_final_2.model，通过第一次迁移学习后得到的模型
--- result2.txt，再次预测结果文件
--- result2.zip，再次预测结果文件压缩包words_seq2seq_final_3.model，通过第二次迁移学习后得到的模型
--- result3.txt，再次预测结果文件
--- result3.zip，再次预测结果文件压缩包words_seq2seq_final_4.model，通过第三次迁移学习后得到的模型
--- result4.txt，再次预测结果文件
--- result4.zip，再次预测结果文件压缩包words_seq2seq_final_5.model，通过第四次迁移学习后得到的模型
--- result5.txt，再次预测结果文件
--- result5.zip，再次预测结果文件压缩包
---------------------------------------------------------------==============================================================
思路说明：
==============================================================迁移学习体现在：
1、用训练语料和测试语料一起训练Word2Vec，使得词向量本捕捉了测试语料的语义；
2、用训练语料训练模型；
3、得到模型后，对测试语料预测，把预测结果跟训练语料一起训练新的模型；
4、用新的模型预测，模型效果会有一定提升；
5、对比两次预测结果，如果两次预测结果都一样，那说明这个预测结果很有可能是对的，用这部分“很有可能是对的”的测试结果来训练模型；
6、用更新的模型预测；
7、如果你愿意，可以继续重复第4、5、6步。双向LSTM的思路：
1、分词；
2、转换为5tag标注问题（0:非核心实体，1:单词的核心实体，2:多词核心实体的首词，3:多词核心实体的中间部分，4:多词核心实体的末词）；
3、通过双向LSTM，直接对输入句子输出预测标注序列；
4、通过viterbi算法来获得标注结果；
5、因为常规的LSTM存在后面的词比前面的词更重要的弊端，因此用双向LSTM。
train_and_predict.py（代码并没整理，仅供测试参考）
#! -*- coding:utf-8 -*-
'''
基于迁移学习和双向LSTM的核心实体识别
迁移学习体现在：
1、用训练语料和测试语料一起训练Word2Vec，使得词向量本捕捉了测试语料的语义；
2、用训练语料训练模型；
3、得到模型后，对测试语料预测，把预测结果跟训练语料一起训练新的模型；
4、用新的模型预测，模型效果会有一定提升；
5、对比两次预测结果，如果两次预测结果都一样，那说明这个预测结果很有可能是对的，用这部分“很有可能是对的”的测试结果来训练模型；
6、用更新的模型预测；
7、如果你愿意，可以继续重复第4、5、6步。
双向LSTM的思路：
1、分词；
2、转换为5tag标注问题（0:非核心实体，1:单词的核心实体，2:多词核心实体的首词，3:多词核心实体的中间部分，4:多词核心实体的末词）；
3、通过双向LSTM，直接对输入句子输出预测标注序列；
4、通过viterbi算法来获得标注结果；
5、因为常规的LSTM存在后面的词比前面的词更重要的弊端，因此用双向LSTM。
'''
import numpy as np
import pandas as pd
import jieba
from tqdm import tqdm
import re
d = pd.read_json('data.json') #训练数据已经被预处理成为标准json格式
d.index = range(len(d)) #重新定义一下索引，当然这只是优化显示效果
word_size = 128 #词向量维度
maxlen = 80 #句子截断长度
'''
修改分词函数，主要是：
1、英文和数字部分不分词，直接返回；
2、双书名号里边的内容不分词；
3、双引号里边如果是十字以内的内容不分词；
4、超出范围内的字符全部替换为空格；
5、分词使用结巴分词，并关闭新词发现功能。
'''
not_cuts = re.compile(u'([\da-zA-Z \.]+)|《(.*?)》|“(.{1,10})”')
re_replace = re.compile(u'[^\u4e00-\u9fa50-9a-zA-Z《》\(\)（）“”·\.]')
def mycut(s):
result = []
j = 0
s = re_replace.sub(' ', s)
for i in not_cuts.finditer(s):
result.extend(jieba.lcut(s[j:i.start()], HMM=False))
if s[i.start()] in [u'《', u'“']:
result.extend([s[i.start()], s[i.start()+1:i.end()-1], s[i.end()-1]])
else:
result.append(s[i.start():i.end()])
j = i.end()
result.extend(jieba.lcut(s[j:], HMM=False))
return result
d['words'] = d['content'].apply(mycut) #分词
def label(k): #将输出结果转换为标签序列
s = d['words'][k]
r = ['0']*len(s)
for i in range(len(s)):
for j in d['core_entity'][k]:
if s[i] in j:
r[i] = '1'
break
s = ''.join(r)
r = [0]*len(s)
for i in re.finditer('1+', s):
if i.end() - i.start() > 1:
r[i.start()