【论文笔记】《基于深度学习的中文命名实体识别研究》阅读笔记

作者及其单位：北京邮电大学，张俊遥，2019年6月，硕士论文

摘要

实验数据：来源于网络公开的新闻文本数据；用随机欠采样和过采样的方法解决分类不均衡问题；使用BIO格式的标签识别5类命名实体，标注11种标签。

学习模型：基于RNN-CRF框架，提出Bi-GRU-Attention模型；基于改进的ELMo可移植模型。

一，绪论

1，研究背景及意义

研究背景主要介绍的是时代背景及NER的应用领域。

2，研究现状

1）基于规则和词典的方法；

2）基于统计的方法：语言的N元模型，隐马尔科夫模型，最大熵模型，条件随机场，支持向量机，决策树，基于转换的学习方法；

3）基于深度学习的方法：基于双向循环神经网络与条件随机场结合的框架；基于标签转移与窗口滑动的方法；注意力机制(Attention)；

4）基于迁移学习的方法。

面临挑战：

1）中文命名实体界限难划分；

2）中文命名实体结构更多样复杂；

3）中文命名实体分类标准不同，划分标注结果不同。

3，研究内容

1）数据集收集与预处理；

2）基于双向循环神经网络与条件随机场模型的研究；

3）基于ELMo的可移植模型研究。

二，相关技术

1，基于循环神经网络方法的技术

1）神经单元结构：循环是指一个神经单元的计算是按照时间顺序展开依次进行的过程。具有记忆特征，常用来处理与序列相关的问题。

2）循环神经网络的发展：LSTM取代CNN，主要是解决CNN单元的反向传播的计算问题。

3）深层网络搭建：Dropout常被用作防止模型过拟合，减少网络冗余度，增加模型鲁棒性；批量归一化策略是批量梯度下降算法过程的一项操作；clip是一种有效控制梯度爆炸的算法。

4）目标函数，即损失函数，衡量经过模型计算的预测结果和事实上的结果之间的差距。如：平方差，交叉熵，softmax。

5）注意力机制：论文研究了在LSTM中引入注意力机制。

6）Adam优化算法：适合解决梯度稀疏或噪音较高的优化问题。

2，基于迁移学习方法的技术

1）基本思想：

（1）预训练的两种基本思路：

a）基于共同表示形式的思路：电子文本大多以某种向量形式（词，句，段，文本）表示输入到网络中，如ELMo模型。

b）基于网络微调的思想：借鉴机器视觉领域的模型思想，在预训练好的模型上加入针对任务的功能层，在对后几层进行结构和参数设置的精调。

2）语言模型：双向语言模型

3）词向量技术：One-hot向量，稀疏向量和稠密向量。

（1）基于统计的方法

a）基于共现矩阵的方法：在设定的窗口大小内，统计了一个句子中词语前后相邻出现的次数，使用这个次数构成的向量当作词向量，这个向量比较稀疏。

b）奇异值分解的方法：可以看作一种降维过程，把稀疏矩阵压缩为稠密矩阵的过程。

（2）基于语言模型的方法：

a）跳字模型（skip-gram）：使用一个词来预测上下文词语；

b）连续词袋模型（CBOW）：使用周围词语预测中心词；

c）ELMo模型：词向量表达过程是动态的，即一词多义下的词向量完全不同。

4）混淆矩阵：数据科学，数据分析和机器学习中统计分类的实际结果和预测结果的表格表示。

三，命名实体识别任务与数据集

1，命名实体识别任务

1）定义：命名实体识别属于序列标注类问题，分为三大类（实体类，数量类，时间类），七小类（人名，地名，组织名，日期，时间，货币或者百分比）。

2）任务过程：准确划分出命名实体的边界，并将命名实体进行正确的分类。

3）判别标准：（1）准确划分出命名实体的边界；（2）命名实体的标注分类正确；（3）命名实体内部位置标注有序。
$$
准确率=\frac{标注结果正确的数量}{标注结果的数量}\times{100%} \召回率=\frac{标注命名实体正确的数量}{标注命名实体的数量}\times{100%}\F_1=\frac{(\beta^{2}+1)\times 准确率\times 召回率}{(\beta^{2}\times 准确率) + 召回率}\times{100%}
$$

2，数据集收集与处理

1）数据源：本论文数据来源于搜狗实验室公开的2012年6月到7月期间的国内外国际、体育、社会、娱乐等18类新闻文本。

2）数据处理：jieba+盘古工具，本文研究NER分为五类：人名（58136），地名（87412），机构名（5142），时间（75491），数量（148392）。数据集（句子个数）分：训练集（197828），验证集（8994），测试集（3485）。

四，基于改进的神经网络与注意力机制结合的研究

1，RNN-CRF框架

1）框架结构：以Bi-LSTM-CRF模型为例，包括字嵌入层（字量化表示，输入到神经网络），Bi-LSTM神经网络层（双向网络记录了上下文信息，据此共同训练计算当前的字的新向量表示，其输出字或词的向量维度与神经单元数量有关），CRF层（进行进一步标签顺序的规则学习）。

2）模型原理：将输入的语句转换为词向量，然后输入到LSTM网络计算，接着在CRF层中计算输出标签，根据定义的目标函数计算损失，使用梯度下降等算法更新模型中的参数。

2，改进与设计

1）改进的思想与结构设计：改进思路就是简化神经单元结构，本文使用双向的GRU结构代替LSTM单元结构，使用神经网络与注意力机制结合。

2）改进的模型设计

3，实验与分析

1）实验思路是以Bi-LSTM-CRF为基础，并进行网络优化，对比本文提出的Bi-GRU-Attention模型。

实验一：Bi-LSTM网络参数

参数名称	数值
batch_size	20
max_num_steps	20
优化器	Admin
初始学习率	0.001
衰减率	0.8
clip	5
one-hot_dim	11

实验二：GRU-Attention模型实验参数

参数	数值
batch_size	20
char_dim	100
max_num_steps	20
神经单元数	128
优化器	Adam
初始学习率	0.001
衰减率	0.8
one-hot_dim	11
epoch	100

实验结果如下：

分类/F1/模型	Bi-LSTM-CRF	Bi-LSTM-Attention	Bi-GRU-CRF	Bi-GRU-Attention
人名	82.32%	82.45%	82.22%	82.42%
地名	89.97%	90.19%	89.93%	91.06%
机构名	91.94%	91.96%	91.94%	91.95%
数量	94.98%	95.06%	95.01%	95.26%
时间	96.05%	96.14%	96.06%	96.14%

五，基于ELMo的可移植模型研究

1，改进的ELMo模型设计

ELMo模型在2018年由Peter提出，Peter团队使用双层的循环神经网络实现模型的预先训练。本章基于Peter的ELMo模型设计，提出了直通结构，实现词向量的提前训练模型。

1）模型原理：Peters使用CNN-BIG-LSTM网络实现模型，使用卷积神经网络实现字符编码，使用两层双向循环神经网络实现词向量的训练模型。

2）改进与设计：本文使用改进的ELMo预先训练模型包含输入层，卷积神经网络7层，双向神经网络2层，输出层结构。

2，基于ELMo的嵌入式模型设计

1）连接结构：在模型嵌入的衔接层中，本文使用维度映射的方法，将不同维度的输入输出维度进行统一。

2）模型设计：本文的嵌入ELMo模型，包含ELMo层，衔接层，神经网络层，注意力层和输出调整层结构。

3，实验

实验参数配置如下：

1）ELMo模型实验参数

参数名称	数值
word_dim	100
char_dim	50
activation	ReLU
每层神经单元数目	512
优化器	Adam
初始学习率	0.001
lr_decay	0.8
clip	3

2）卷积神经网络参数

卷积层	输出词向量维度	过滤器个数
conv1	32	32
conv2	32	32
conv3	64	64
conv4	128	128
conv5	256	256
conv6	512	512
conv7	1024	1024

3）移植模型实验参数

参数名称	数值
batch_size	20
char_dim	100
max_num_steps	20
神经单元数	128
优化器	Adam
初始化学习率	0.001
clip	5
dropout	0.1
one-hot_dim	11
epoch	100

实验结果对比：

分类/F1/模型	Bi-LSTM-CRF	Bi-GRU-Attention	改进的ELMo嵌入模型
人名	82.32%	82.42%	83.14%
地名	89.97%	91.06%	92.36%
机构名	91.94%	91.95%	93.02%
数量	94.98%	95.26%	96.13%
时间	96.05%	96.14%	96.55%

六，总结与展望

1，总结

本文主要研究了基于深度学习的中文命名实体识别任务，提出了Bi-GRU-Attention模型减少训练时间，提升模型准确率；提出了基于改进的ELMo可移植模型，用于应对少量数据集和快速移植不同场景的问题。

2，不足与发展趋势

1）公开的权威的中文文本数据集不足；

2）可以划分更细的领域或分类，分别涉及分类器；

3）基于迁移学习的多任务模型研究是热点。

阅读心得：绪论内容相对详细，结构中规中矩，美中不足缺乏对研究对象现状的介绍，国内外研究现状，要解决的问题以及达到的预期效果未尽阐述。技术要点论述详尽，本文设计实验充分且多角度论证，扩展实验与改进设计也具有一定创新性。通过本篇论文研究学习，在NER领域收获颇多，很多知识有待弥补，如ELMo模型，迁移学习方面需要加强学习。

本文由博客群发一文多发等运营工具平台 OpenWrite 发布