一文詳解深度學習在命名實體識別(NER)中的應用

近幾年來，基於神經網路的深度學習方法在計算機視覺、語音識別等領域取得了巨大成功，另外在自然語言處理領域也取得了不少進展。在NLP的關鍵性基礎任務—命名實體識別（Named Entity Recognition，NER）的研究中，深度學習也獲得了不錯的效果。最近，筆者閱讀了一系列基於深度學習的NER研究的相關論文，並將其應用到達觀的NER基礎模組中，在此進行一下總結，與大家一起分享學習。

實際應用中，NER模型通常只要識別出人名、地名、組織機構名、日期時間即可，一些系統還會給出專有名詞結果（比如縮寫、會議名、產品名等）。貨幣、百分比等數字類實體可通過正則搞定。另外，在一些應用場景下會給出特定領域內的實體，如書名、歌曲名、期刊名等。

NER是NLP中一項基礎性關鍵任務。從自然語言處理的流程來看，NER可以看作詞法分析中未登入詞識別的一種，是未登入詞中數量最多、識別難度最大、對分詞效果影響最大問題。同時NER也是關係抽取、事件抽取、知識圖譜、機器翻譯、問答系統等諸多NLP任務的基礎。

NER當前並不算是一個大熱的研究課題，因為學術界部分學者認為這是一個已經解決的問題。當然也有學者認為這個問題還沒有得到很好地解決，原因主要有：命名實體識別只是在有限的文字型別（主要是新聞語料中）和實體類別（主要是人名、地名、組織機構名）中取得了不錯的效果；與其他資訊檢索領域相比，實體命名評測預料較小，容易產生過擬合；命名實體識別更側重高召回率，但在資訊檢索領域，高準確率更重要；通用的識別多種型別的命名實體的系統效能很差。

圖1：NER發展趨勢

在基於機器學習的方法中，NER被當作序列標註問題。利用大規模語料來學習出標註模型，從而對句子的各個位置進行標註。NER 任務中的常用模型包括生成式模型HMM、判別式模型CRF等。條件隨機場（ConditionalRandom Field，CRF）是NER目前的主流模型。它的目標函式不僅考慮輸入的狀態特徵函式，而且還包含了標籤轉移特徵函式。在訓練時可以使用SGD學習模型引數。在已知模型時，給輸入序列求預測輸出序列即求使目標函式最大化的最優序列，是一個動態規劃問題，可以使用Viterbi演算法解碼來得到最優標籤序列。CRF的優點在於其為一個位置進行標註的過程中可以利用豐富的內部及上下文特徵資訊。圖2：一種線性鏈條件隨機場

近年來，隨著硬體計算能力的發展以及詞的分散式表示（word embedding）的提出，神經網路可以有效處理許多NLP任務。這類方法對於序列標註任務（如CWS、POS、NER）的處理方式是類似的：將token從離散one-hot表示對映到低維空間中成為稠密的embedding，隨後將句子的embedding序列輸入到RNN中，用神經網路自動提取特徵，Softmax來預測每個token的標籤。

這種方法使得模型的訓練成為一個端到端的過程，而非傳統的pipeline，不依賴於特徵工程，是一種資料驅動的方法，但網路種類繁多、對引數設定依賴大，模型可解釋性差。此外，這種方法的一個缺點是對每個token打標籤的過程是獨立的進行，不能直接利用上文已經預測的標籤（只能靠隱含狀態傳遞上文資訊），進而導致預測出的標籤序列可能是無效的，例如標籤I-PER後面是不可能緊跟著B-PER的，但Softmax不會利用到這個資訊。

學界提出了DL-CRF模型做序列標註。在神經網路的輸出層接入CRF層(重點是利用標籤轉移概率)來做句子級別的標籤預測，使得標註過程不再是對各個token獨立分類。

LongShort Term Memory網路一般叫做LSTM，是RNN的一種特殊型別，可以學習長距離依賴資訊。LSTM 由Hochreiter &Schmidhuber (1997)提出，並在近期被Alex Graves進行了改良和推廣。在很多問題上，LSTM 都取得了相當巨大的成功，並得到了廣泛的使用。LSTM 通過巧妙的設計來解決長距離依賴問題。
所有 RNN 都具有一種重複神經網路單元的鏈式形式。在標準的RNN中，這個重複的單元只有一個非常簡單的結構，例如一個tanh層。

圖3：傳統RNN結構

LSTM 同樣是這樣的結構，但是重複的單元擁有一個不同的結構。不同於普通RNN單元，這裡是有四個，以一種非常特殊的方式進行互動。

圖4：LSTM結構

LSTM通過三個門結構（輸入門，遺忘門，輸出門），選擇性地遺忘部分歷史資訊，加入部分當前輸入資訊，最終整合到當前狀態併產生輸出狀態。

圖5：LSTM各個門控結構

應用於NER中的biLSTM-CRF模型主要由Embedding層（主要有詞向量，字向量以及一些額外特徵），雙向LSTM層，以及最後的CRF層構成。實驗結果表明biLSTM-CRF已經達到或者超過了基於豐富特徵的CRF模型，成為目前基於深度學習的NER方法中的最主流模型。在特徵方面，該模型繼承了深度學習方法的優勢，無需特徵工程，使用詞向量以及字元向量就可以達到很好的效果，如果有高質量的詞典特徵，能夠進一步獲得提高。

圖6：biLSTM-CRF結構示意圖

2.2 IDCNN-CRF

對於序列標註來講，普通CNN有一個不足，就是卷積之後，末層神經元可能只是得到了原始輸入資料中一小塊的資訊。而對NER來講，整個輸入句子中每個字都有可能對當前位置的標註產生影響，即所謂的長距離依賴問題。為了覆蓋到全部的輸入資訊就需要加入更多的卷積層，導致層數越來越深，引數越來越多。而為了防止過擬合又要加入更多的Dropout之類的正則化，帶來更多的超引數，整個模型變得龐大且難以訓練。因為CNN這樣的劣勢，對於大部分序列標註問題人們還是選擇biLSTM之類的網路結構，儘可能利用網路的記憶力記住全句的資訊來對當前字做標註。

但這又帶來另外一個問題，biLSTM本質是一個序列模型，在對GPU平行計算的利用上不如CNN那麼強大。如何能夠像CNN那樣給GPU提供一個火力全開的戰場，而又像LSTM這樣用簡單的結構記住儘可能多的輸入資訊呢？

Fisher Yu and Vladlen Koltun 2015 提出了dilated CNN模型，意思是“膨脹的”CNN。其想法並不複雜：正常CNN的filter，都是作用在輸入矩陣一片連續的區域上，不斷sliding做卷積。dilated CNN為這個filter增加了一個dilation width，作用在輸入矩陣的時候，會skip所有dilation width中間的輸入資料；而filter本身的大小保持不變，這樣filter獲取到了更廣闊的輸入矩陣上的資料，看上去就像是“膨脹”了一般。

具體使用時，dilated width會隨著層數的增加而指數增加。這樣隨著層數的增加，引數數量是線性增加的，而receptive field卻是指數增加的，可以很快覆蓋到全部的輸入資料。圖7：idcnn示意圖

圖7中可見感受域是以指數速率擴大的。原始感受域是位於中心點的1x1區域：

（a）圖中經由原始感受域按步長為1向外擴散，得到8個1x1的區域構成新的感受域，大小為3x3；

（b）圖中經過步長為2的擴散，上一步3x3的感受域擴充套件為為7x7；

（c）圖中經步長為4的擴散，原7x7的感受域擴大為15x15的感受域。每一層的引數數量是相互獨立的。感受域呈指數擴大，但引數數量呈線性增加。

對應在文字上，輸入是一個一維的向量，每個元素是一個character embedding：

圖8：一個最大膨脹步長為4的idcnn塊

IDCNN對輸入句子的每一個字生成一個logits，這裡就和biLSTM模型輸出logits完全一樣，加入CRF層，用Viterbi演算法解碼出標註結果。

在biLSTM或者IDCNN這樣的網路模型末端接上CRF層是序列標註的一個很常見的方法。biLSTM或者IDCNN計算出的是每個詞的各標籤概率，而CRF層引入序列的轉移概率，最終計算出loss反饋回網路。

基礎語料：選擇人民日報1998年標註語料作為基礎訓練語料。

附加語料：98語料作為官方語料，其權威性與標註正確率是有保障的。但由於其完全取自人民日報，而且時間久遠，所以對實體型別覆蓋度比較低。比如新的公司名，外國人名，外國地名。為了提升對新型別實體的識別能力，我們收集了一批標註的新聞語料。主要包括財經、娛樂、體育，而這些正是98語料中比較缺少的。由於標註質量問題，額外語料不能加太多，約98語料的1/4。

對於深度學習方法，一般需要大量標註語料，否則極易出現過擬合，無法達到預期的泛化能力。我們在實驗中發現，通過資料增強可以明顯提升模型效能。具體地，我們對原語料進行分句，然後隨機地對各個句子進行bigram、trigram拼接，最後與原始句子一起作為訓練語料。

另外，我們利用收集到的命名實體詞典，採用隨機替換的方式，用其替換語料中同型別的實體，得到增強語料。

下圖給出了BiLSTM-CRF模型的訓練曲線，可以看出收斂是很緩慢的。相對而言，IDCNN-CRF模型的收斂則快很多。
圖9：BiLSTM-CRF的訓練曲線

圖10：IDCNN-CRF的訓練曲線

圖11：BiLSTM-CRF預測例項