HanLP — 命名实体识别

目录

8. 命名实体识别

8.1 概述

  1. 命名实体

    文本中有一些描述实体的词汇。比如人名、地名、组织机构名、股票基金、医学术语等，称为命名实体。具有以下共性:

    • 数量无穷。比如宇宙中的恒星命名、新生儿的命名不断出现新组合。
    • 构词灵活。比如中国工商银行，既可以称为工商银行，也可以简称工行。
    • 类别模糊。有一些地名本身就是机构名，比如“国家博物馆”
      image

  2. 命名实体识别

    识别出句子中命名实体的边界与类别的任务称为命名实体识别(Named Entity Recognition，NER)。由于上述难点，命名实体识别也是一个统计为主、规则为辅的任务。

    • 对于规则性较强的命名实体，比如网址、E-mail、IBSN、商品编号等，完全可以通过正则表达式处理，未匹配上的片段交给统计模型处理。
    • 对于较短的命名实体，比如人名，完全可以通过分词确定边界，通过词性标注模块确定类别
    • 在另一些语料库中（如PKU等），机构名这样的复合词是拆开的，此时就需要一个专门的命名实体识别模块了

    命名实体识别也可以转化为一个序列标注问题。具体做法是将命名实体识别附着到{B,M,E,S}标签，比如， 构成地名的单词标注为“B/ME/S- 地名”，以此类推。对于那些命名实体边界之外的单词，则统一标注为0 ( Outside )。具体实施时，HanLP做了一个简化，即所有非复合词的命名实体都标注为S，不再附着类别。这样标注集更精简，模型更小巧。

命名实体识别实际上可以看作分词与词性标注任务的集成: 命名实体的边界可以通过{B,M,E,S}确定，其类别可以通过 B-nt 等附加类别的标签来确定。

HanLP内部提供了语料库转换工序，用户无需关心，只需要传入 PKU 格式的语料库路径即可。

8.2 基于规则的命名实体识别

这些系统属于HanLP早期设计的一部分，虽然已经落伍，但可以应付一些语料匮乏的专门领域

8.2.1　基于规则的音译人名识别

在一段待识别的文本中，若音译字符连续出现，则很有可能来自一个音译人名

  • 若粗分结果中某词语的备选词性（词性由核心词典、用户词典提供）含有nrf（音译人名），则触发规则2)；
  • 从该词语出发往右扫描，若遇到音译人名词库中的词语，则合并，否则终止扫描。

8.2.2　基于规则的日本人名识别

日本人名识别规则：

  • 在文本中匹配日本人名的姓氏和名字，分别记作x和m
  • 将连续的xm合并为日本人名，标注为nrj

8.2.3　基于规则的数词英文识别

首先利用com.hankcs.hanlp.dictionary.other.CharType工具类获取每个字符的类型。
然后扫描字符串的类型数组，将类型相同的字符合并，利用其类型确定词性（数词m或英文nx等）

segment = ViterbiSegment()
print(segment.seg("牛奶三〇〇克壹佰块"))
print(segment.seg("牛奶300克100块"))
print(segment.seg("牛奶300g100rmb"))

8.3 命名实体识别语料库

命名实体识别语料的针对性非常强，往往是人们关心什么样的命名实体，就去标注什么样的语料

1998年《人民日报》语料库

萨哈夫/nr 说/v ，/w 伊拉克/ns 将/d 同/p [联合国/nt 销毁/v 伊拉克/ns 大规模/b 杀伤性/n 武器/n 特别/a 委员会/n]/nt 继续/v 保持/v 合作/v 。/w
PKU语料库中还存在许多nz专有名词类型的复合词：
[延安/ns 供水/vn 工程/n]/nz 建成/v 通水/v
黄浦江畔/ns 的/u [东方/s 明珠/n 电视塔/n]/nz 前/f 热闹非凡/l
一九九七年/t [诺贝尔/nr 物理奖/n]/nz 获得者/n

微软命名实体识别语料库

我们藏有一册１９４５年６月油印的《北京文物保存保管状态之调查报告》，调查范围涉及故宫、历博、古研所、北大清华图书馆、北图、日伪资料库等二十几家，言及文物二十万件以上，洋洋三万余言，是珍贵的北京史料。

8.4 基于层叠隐马尔可夫模型的角色标注框架

该框架的识别思路与日本人名的思路类似：为构成命名实体的短词语打标签，标签序列满足某种模式则识别为某种命名实体
角色标注模块的输入是分词模块的输出，两个模块都由隐马尔可夫模型驱动，所以称为层叠隐马尔可夫模型

8.4.1 基于角色标注的中国人名识别

image

  • 语料转换
    原始语料 [这里/r, 有/v, 关天培/nr, 的/u, 有关/vn, 事迹/n, 。/w] 姓名拆分 [这里/A, 有/K, 关/B, 天/C, 培/D, 的/L, 有关/A, 事迹/A, 。/A] 上文成词 [这里/A, 有关/U, 天/C, 培/D, 的/L, 有关/A, 事迹/A, 。/A] 添加首尾 [始##始/S, 这里/A, 有关/U, 天/C, 培/D, 的/L, 有关/A, 事迹/A, 。/A, 末##末/A]

  • 训练HMM

  • 标注

  • 模式匹配合并
    粗分结果[龚/nz, 学/v, 平等/a, 领导/n] 人名角色观察：[ K 1 A 1 ][龚 B 768 D 3 E 2 C 1 ][学 C 1698 D 298 L 19 E 11 K 8 B 5 ][平等 V 35 L 9 ][领导 K 238 L 47 ][ K 1 A 1 ] 人名角色标注：[ /K ,龚/B ,学/C ,平等/V ,领导/K , /K] 识别出人名：龚学 BC 识别出人名：龚学平 BCD 细分词网： 0:[ ] 1:[龚, 龚学, 龚学平] 2:[学] 3:[平, 平等] 4:[等] 5:[领导] [龚学平/nr, 等/udeng, 领导/n]

8.4.2 基于角色标注的地名识别

image

8.4.2 基于角色标注的机构识别

image

8.5 基于序列标注的命名实体识别

命名实体的边界可以通过{B,M,E,S}确定
其类别可以通过B-nt等附加类别的标签来确定
image

8.5.1 特征提取

image

8.5.2 基于隐马尔可夫模型序列标注的命名实体识别

HMMNERecognizer recognizer = new HMMNERecognizer();
recognizer.train(corpus); // data/test/pku98/199801-train.txt

之前我们就介绍过隐马尔可夫模型，详细见: 4.隐马尔可夫模型与序列标注

隐马尔可夫模型命名实体识别代码见(自动下载 PKU 语料库): hmm_ner.py

https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/hmm_ner.py

运行代码后结果如下:

华北电力公司/nt 董事长/n 谭旭光/nr 和/c 秘书/n 胡花蕊/nr 来到/v 美国纽约/ns 现代/ntc 艺术/n 博物馆/n 参观/v

其中机构名“华北电力公司”、人名“谭旭光”“胡花蕊”全部识别正确。但是地名“美国纽约现代艺术博物馆”则无法识别。有以下两个原因:

  • PKU 语料库中没有出现过这个样本。
  • 隐马尔可夫模型无法利用词性特征。

对于第一个原因，只能额外标注一些语料。对于第二个原因可以通过切换到更强大的模型来解决。

8.5.3 基于感知机序列标注的命名实体识别

之前我们就介绍过感知机模型，详细见: 5.感知机分类与序列标注

感知机模型词性标注代码见(自动下载 PKU 语料库): perceptron_ner.py

https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/perceptron_ner.py

运行会有些慢，结果如下:

华北电力公司/nt 董事长/n 谭旭光/nr 和/c 秘书/n 胡花蕊/nr 来到/v [美国纽约/ns 现代/ntc 艺术/n 博物馆/n]/ns 参观/v

与隐马尔可夫模型相比，已经能够正确识别地名了。

8.5.4 基于条件随机场序列标注的命名实体识别

之前我们就介绍过条件随机场模型，详细见: 6.条件随机场与序列标注

条件随机场模型词性标注代码见(自动下载 PKU 语料库): crf_ner.py

https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/crf_ner.py

运行时间会比较长，结果如下:

华北电力公司/nt 董事长/n 谭旭光/nr 和/c 秘书/n 胡花蕊/nr 来到/v [美国纽约/ns 现代/ntc 艺术/n 博物馆/n]/ns 参观/v

得到了结果是一样的。

8.5.5 命名实体识别标准化评测

各个命名实体识别模块的准确率如何，并非只能通过几个句子主观感受。任何监督学习任务都有一套标准化评测方案，对于命名实体识别，按照惯例引入P、R 和 F1 评测指标。

在1998年1月《人民日报》语料库上的标准化评测结果如下:

模型 P R F1
隐马尔可夫模型 79.01 30.14 43.64
感知机 87.33 78.98 82.94
条件随机场 87.93 73.75 80.22

值得一提的是，准确率与评测策略、特征模板、语料库规模息息相关。通常而言，当语料库较小时，应当使用简单的特征模板，以防止模型过拟合；当语料库较大时，则建议使用更多特征，以期更高的准确率。当特征模板固定时，往往是语料库越大，准确率越高。
image

8.6 自定义领域命名实体识别

以上我们接触的都是通用领域上的语料库，所含的命名实体仅限于人名、地名、机构名等。假设我们想要识别专门领域中的命名实体，这时，我们就要自定义领域的语料库了。

  1. 标注领域命名实体识别语料库

    首先我们需要收集一些文本， 作为标注语料库的原料，称为生语料。由于我们的目标是识别文本中的战斗机名称或型号，所以生语料的来源应当是些军事网站的报道。在实际工程中，求由客户提出，则应当由该客户提供生语料。语料的量级越大越好，一般最低不少于数千个句子。

    生语料准备就绪后，就可以开始标注了。对于命名实体识别语料库，若以词语和词性为特征的话，还需要标注分词边界和词性。不过我们不必从零开始标注，而可以在HanLP的标注基础上进行校正，这样工作量更小。

    样本标注了数千个之后，生语料就被标注成了熟语料。下面代码自动下载语料库。

假设生语料中有如下句子：
米高扬设计米格-17PF：米格-17PF型战斗机比米格-17P性能更好。
HanLP的词法分析器输出如下结果：
米高扬/nr 设计/vn 米格/nr -/w 17/m PF/nx ：/w 米格/nr -/w 17/m PF/nx 型/k 战斗机/n 比/p 米格/nr -/w 17/m P/nx 性能/n 更好/d 。/w
人工将其校正为：
米高扬/nr 设计/v [米格/nr -/w 17PF/m]/np ：/w [米格/nr -/w 17PF/m]/np 型/k 战斗机/n 比/p [米格/nr -/w 17P/m]/np 性能/n 更好/l 。/w
样本至少标注数千个

  1. 训练领域模型

    选择感知机作为训练算法(自动下载 战斗机 语料库): plane_ner.py

    https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/plane_ner.py

    运行结果如下:

    下载 http://file.hankcs.com/corpus/plane-re.zip 到 /usr/local/lib/python3.7/site-packages/pyhanlp/static/data/test/plane-re.zip
100.00%, 0 MB, 552 KB/s, 还有 0 分  0 秒   
米高扬/nrf 设计/v [米格/nr -/w 17/m PF/nx]/np ：/w [米格/nr -/w 17/m]/np PF/n 型/k 战斗机/n 比/p [米格/nr -/w 17/m P/nx]/np 性能/n 更好/l 。/w
[米格/nr -/w 阿帕奇/nrf -/w 666/m S/q]/np 横空出世/l 。/w

    这句话已经在语料库中出现过，能被正常识别并不意外。我们可以伪造一款“米格-阿帕奇-666S”战斗机，试试模型的繁华能力，发现依然能够正确识别。

8.7 总结

从规则到统计

  • 命名实体识别的规则
  • 层叠隐马尔可夫模型角色标注
  • 序列标注三种识别方法
    作为监督学习的应用，命名实体识别离不开
  • 标注语料库
  • 设计特征模板
  • 训练
  • 评估准确率
    模型能够识别出哪些命名实体完全由语料库决定。
    通用语料库无法解决领域需求，领域语料库的标注非常重要。

image

posted @ 2024-02-02 09:36  VipSoft  阅读(304)  评论(0)  编辑  收藏  举报