NLP 序列标注

转载：https://blog.csdn.net/kevinjin2011/article/details/113939817

序列标注（Sequence labeling）是NLP问题中的基本问题。在序列标注中，我们想对一个序列的每一个元素标注一个标签。一般来说，一个序列指的是一个句子，而一个元素指的是句子中的一个词。

 

NLP中的序列标注方式常用的有两种：BIO标注法和BIOES标注法。

BIO标注法：
B-begin，代表实体的开头

I-inside，代表实体的中间或结尾

O-outside，代表不属于实体

BIOES标注法：
B-begin，代表实体的开头

I-inside，代表实体的中间

O-outside，代表非实体，用于标记无关字符

E-end，代表实体的结尾

S-single，代表单个字符，本身就是一个实体

 

命名实体识别（Named Entity Recognition, 简称NER）（也称为实体识别、实体分块和实体提取）是信息提取的一个子任务，旨在将文本中的命名实体定位并分类为预先定义的类别，如人员、组织、位置、时间表达式、数量、货币值、百分比等。命名实体识别是自然语言处理中的热点研究方向之一， 目的是识别文本中的命名实体并将其归纳到相应的实体类型中。

 

命名实体识别是NLP中一项非常基础的任务，是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具。

从自然语言处理的流程来看，NER可以看作词法分析中未登录词识别的一种，是未登录词中数量最多、识别难度最大、对分词效果影响最大问题。同时NER也是关系抽取、事件抽取、知识图谱、机器翻译、问答系统等诸多NLP任务的基础。

NER的过程，就是根据输入的句子，预测出其标注序列的过程。

所谓实体识别，就是将你想要获取到的实体类型，从一句话里面挑出来的过程。如：

小明在北京大学的燕园看了中国男篮的一场比赛

上面的例子所示，句子“小明在北京大学的燕园看了中国男篮 的一场比赛”，通过NER模型，将“小明 ”以PER，“北京大学”以ORG，“燕园”以LOC，“中国男篮”以ORG为类别分别挑了出来。

采用BEIOS进行标注：

结果就是：[B-PER，E-PER，O, B-ORG，I-ORG，I-ORG，E-ORG，O，B-LOC，E-LOC，O，O，B-ORG，I-ORG，I-ORG，E-ORG，O，O，O，O]

 

命名实体识别的方法
从模型的层面，可以分为基于规则的方法、无监督学习方法、有监督学习方法，从输入的层面，可以分为基于字（character-level）的方法、基于词（work-level）的方法、两者结合的方法。

基于规则的方法：依赖人工制定的规则，规则的设计一般基于句法、语法、词汇的模式，以及特定领域的知识。当词典的大小有限时，基于规则的方法可以达到很好的效果。这种方法通常具有高精确率和低召回率的特点。但是这种方法无法难以迁移到别的领域，对于新的领域需要重新制定规则。

无监督学习方法：利用语义相似性进行聚类，从聚类得到的组当中抽取命名实体，通过统计数据推断实体类别。

基于特征的监督学习方法：可以表示为多分类任务或者序列标注任务，从数据中学习。

HMM和CRF很适合用来做序列标注问题，早期很多的效果较好的成果，都是出自这两个模型。

机器学习阶段：CRF

深度学习阶段：BiLSTM-CRF、BiLSTM-CNN-CRF、idcnn-crf

Attention阶段：Transformer-CRF、BERT-BiLSTM-CRF