基于keras的BiLstm与CRF实现命名实体标注
众所*知，通过Bilstm已经可以实现分词或命名实体标注了，同样地单独的CRF也可以很好的实现。既然LSTM都已经可以预测了，为啥要搞一个LSTM+CRF的hybrid model? 因为单独LSTM预测出*的标注可能会出现（I-Organization->I-Person,B-Organization ->I-Person）这样的问题序列。
但这种错误在CRF中是不存在的，因为CRF的特征函数的存在就是为了对输入序列观察、学习各种特征，这些特征就是在限定窗口size下的各种词之间的关系。
将CRF接在LSTM网络的输出结果后，让LSTM负责在CRF的特征限定下，依照新的loss function，学习出新的模型。
基于字的模型标注：
假定我们使用Bakeoff-3评测中所采用的的BIO标注集，即B-PER、I-PER代表人名首字、人名非首字，B-ORG、I-ORG代表组织机构名首字、组织机构名非首字，O代表该字不属于命名实体的一部分
- B-Person
- I- Person
- B-Organization
- I-Organization
- O
加入CRF layer对LSTM网络输出结果的影响
为直观的看到加入后的区别我们可以借用网络中的图*表示：其中\(x\)表示输入的句子，包含5个字分别用\(w_1\),\(w_2\),\(w_3\),\(w_4\),\(w_5\)表示
**没有CRF layer的网络示意图 **
含有CRF layer的网络输出示意图
上图可以看到在没有CRF layer的情况下出现了 B-Person->I-Person 的序列，而在有CRF layer层的网络中，我们将 LSTM 的输出再次送入CRF layer中计算新的结果。而在CRF layer中会加入一些限制，以排除可能会出现上文所提及的不合法的情况
CRF loss function
CRF loss function 如下：
Loss Function = \(\frac{P_{RealPath}}{P_1 + P_2 + … + P_N}\)
主要包括两个部分Real path score 和 total path scroe
1、Real path score
\(P_{RealPath}\) =\(e^{S_i}\)
因此重点在于求出：
\(S_i\) = EmissionScore + TransitionScore
EmissionScore=\(x_{0,START}+x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}+x_{6,END}\)
因此根据转移概率和发射概率很容易求出\(P_{RealPath}\)
2、total score
total scroe的计算相对比较复杂，可参看https://createmomo.github.io/2017/11/11/CRF-Layer-on-the-Top-of-BiLSTM-5/
实现代码（keras版本）
1、搭建网络模型
使用2.1.4版本的keras，在keras版本里面已经包含bilstm模型，但crf的loss function还没有，不过可以从keras contribute中获得，具体可参看：https://github.com/keras-team/keras-contrib
构建网络模型代码如下：
model = Sequential()
model.add(Embedding(len(vocab), EMBED_DIM, mask_zero=True)) # Random embedding
model.add(Bidirectional(LSTM(BiRNN_UNITS // 2, return_sequences=True)))
crf = CRF(len(chunk_tags), sparse_target=True)
model.add(crf)
model.summary()
model.compile('adam', loss=crf.loss_function, metrics=[crf.accuracy])
2、清洗数据
清晰数据是最麻烦的一步，首先我们采用网上开源的语料库作为训练和测试数据。语料库中已经做好了标记，其格式如下：
月 O
油 O
印 O
的 O
《 O
北 B-LOC
京 I-LOC
文 O
物 O
保 O
存 O
保 O
管 O
语料库中对每一个字分别进行标记，比较包括如下几种：
'O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"
分别表示，其他，人名第一个，人名非第一个，位置第一个，位置非第一个，组织第一个，非组织第一个
train = _parse_data(open('data/train_data.data', 'rb'))
test = _parse_data(open('data/test_data.data', 'rb'))
word_counts = Counter(row[0].lower() for sample in train for row in sample)
vocab = [w for w, f in iter(word_counts.items()) if f >= 2]
chunk_tags = ['O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"]
# save initial config data
with open('model/config.pkl', 'wb') as outp:
pickle.dump((vocab, chunk_tags), outp)
train = _process_data(train, vocab, chunk_tags)
test = _process_data(test, vocab, chunk_tags)
return train, test, (vocab, chunk_tags)
3、训练数据
在处理好数据后可以训练数据，本文中将batch-size=16获得较为高的accuracy（99%左右），进行了10个epoch的训练。
import bilsm_crf_model
EPOCHS = 10
model, (train_x, train_y), (test_x, test_y) = bilsm_crf_model.create_model()
# train model
model.fit(train_x, train_y,batch_size=16,epochs=EPOCHS, validation_data=[test_x, test_y])
model.save('model/crf.h5')
4、验证数据
import bilsm_crf_model
import process_data
import numpy as np
model, (vocab, chunk_tags) = bilsm_crf_model.create_model(train=False)
predict_text = '中华人民共和国国务院总理***在外交部长陈毅的陪同下，连续访问了埃塞俄比亚等非洲10国以及阿尔巴尼亚'
str, length = process_data.process_data(predict_text, vocab)
model.load_weights('model/crf.h5')
raw = model.predict(str)[0][-length:]
result = [np.argmax(row) for row in raw]
result_tags = [chunk_tags[i] for i in result]
per, loc, org = '', '', ''
for s, t in zip(predict_text, result_tags):
if t in ('B-PER', 'I-PER'):
per += ' ' + s if (t == 'B-PER') else s
if t in ('B-ORG', 'I-ORG'):
org += ' ' + s if (t == 'B-ORG') else s
if t in ('B-LOC', 'I-LOC'):
loc += ' ' + s if (t == 'B-LOC') else s
print(['person:' + per, 'location:' + loc, 'organzation:' + org])
输出结果如下：
['person: *** 陈毅, 王东', 'location: 埃塞俄比亚 非洲 阿尔巴尼亚', 'organzation: 中华人民共和国国务院 外交部']
