命名实体识别BiLSTM-CRF – 潘登同学的NLP笔记

标注策略

IOB 比如识别人名：PER

• B：begin表示人名起始点
• O：out表示非人名
• I：internal表示人名,但不是起始点(中部或者结尾点)

BMES 比如识别人名: PER

• B：begin表示人名起始点
• M：middle表示人名中部
• S: single表示非人名
• E:end表示人名结束点

早期方法

是基于规则与词典的方式， 就是把所有词记录下来， 再用词典去匹配文章…

• 优点: 准
• 缺点: 泛化能力不好

基于统计学习的方法

• HMM\CRF(jieba分词器)
• 混合方法
  • 统计学习方法之间或内部层叠融合(集成学习)
  • 规则、词典和机器学习方法之间的融合
  • 将各类模型、算法结合起来，将前一级模型的结果作为下一级的训练数据(stacking)

深度学习方法

• NN/CNN-CRF
• RNN-CRF/LSTM-CRF
• 注意力机制
• 迁移学习(BERT-BiLSTM-CRF)

BiLSTM-CRF

普通的BiLSTM最后接的的一个softmax层, 在处理序列标注问题的时候, softmax也没考虑到序列结果，如连续出现两个动词，在一句话中是不太可能的； 所以后面接一层CRF，CRF是使得最终的出现的结果序列Loss最小，从而能应用于序列标注问题上

• 生成式模型: (统计学习方法，计算(联合)概率分布的参数,不一定要x,y,有的话更好) HMM GMM Naive-bayes
• 判别式模型: (有判别式的，计算P(y|x)需要x,y来训练计算) CRF DT LR NN

我们假设我们有一个数据集有两类实体类型，Person 和 Organization。因此事实上在我们的数据集中，我们有 5 个实体标签：

• B-Person
• I- Person
• B-Organization
• I-Organization
• O

进而，x 是一个句子包含 5 个词，$w_0,w_1,w_2,w_3,w_4$。更多地，在句子 x, $[w_0,w_1]$ 是一个 Person entity, $[w_3]$ 是一个 Organization entity 和其它的是“O”

• 首先, 在句子每个词，x 被表达为一个向量，向量由包含词的字嵌入和词嵌入组成。字的嵌入是随机初始化的。词嵌入通常是来自于预训练的词嵌入模型文件。在整个训练过程中所有的嵌入将会被细粒度的调优。
• 其次, BiLSTM-CRF 模型的输入是那些嵌入向量，输出是对于句子 x 中词的预测标签
• BiLSTM层的输出是一个类别的logist(就是softmax之间的Z)，然后输入CRF层，CRF根据所有输入的Z，计算一条最有可能的路径(类似于维特比算法计算条件概率最大的那条路径)，最后得到一整段输出

如果不加CRF层

很明显，I-Organization I-Person和I-Organization I-Person这些输出是无效的。

CRF 层可以从训练数据学习限制

CRF 层可以加一些限制给最后的预测标签去确保它们是有效的。这些限制通过训练过程可以被 CRF 层从训练集数据中自动学到, 这些限制可以是

• 句子开头首个词的标签应该是B- 或O, 而不是I-
• B-label1 I-label2 I-label3 I-..., 在这个模式中, label1, label2, label3 … 应该是同样的命名实体标签 . 例如 , B-Person I-Person 是有效的 , 但 B-Person I-Organization是无效的;

有了这些有用的限制，无效的预测标签序列的数量会急剧的下降

CRF层

在 CRF 层的损失函数中，我们有两种类型的分数。这两分数是 CRF 层的关键;

Emission score(发射分数)

第一个是 emission score。这些 emission scores 来自于 BiLSTM 层(就是前面说的$Z$)

我们使用 $x_i,x_j$ 去表达一个 emission score。$i$ 是词的索引同时 $j$ 是标签的索引。例如,根据图,$(x_i=1,x_j=2)=(x_{w1},x_{B-Organization})=0.1$ 这意味着 w1 作为 B-Organization 的分数是 0.1

Transition score(转移分数)

我们使用 $(y_i,y_j)$ 去表达一个 transition score。例如, (y_{B-Person},y_{I-Person})=0.9$ 意味着标签转移B−Person→I−Person 的分数是 0.9。因此, 我们有一个转移分数矩阵存储了所有的标签和标签之间的分数;

为了去使得转移分数矩阵更加的鲁棒，我们将多添加两个标签 START 和 END。START 意味着句子的开始，不是第一个词。END 意味着句子的结束。

举个例子

事实上，这个矩阵是 BiLSTM-CRF 模型的参数。在你训练这个模型之前，你可以随机初始化矩阵中的所有转移分数。在模型的训练过程中所有随机的分数将会被自动地更新。换句话说, CRF 层可以由它自己学习那些限制。我们没有必要去手动建立这个矩阵。这些分数随着训练迭代的增加会逐渐变得越来越合理;

Loss函数

CRF 的损失函数，它由真正路径的分数和所有可能路径的总分数构成；

我们也有一个含有 5 个单词的句子。这些可能的路径将会是:

1. START B-Person B-Person B-Person B-Person B-Person END
2. START B-Person I-Person B-Person B-Person B-Person END

• …

10. START B-Person I-Person O B-Organization O END

• …
• O O O O O O O

假设每一个可能的路径有一个分数 $P_i$，并且这里总共有 N 种可能的路径, 这些路径的
总分数是
$$P_{total}=P_1+P_2+\cdots +P_N=e^{S_1}+e^{S_2}+\dots +e^{S_N}$$
其中，$S_i$可以理解为一个路径的分数,$S_i$ 由两部分组成 $S_i=EmissionScore+TransitionScore$ (之所以用e，是与softmax类似)
$$P_i=\frac{e^{Z_i}}{e^{Z_1}+e^{Z_2}+\cdots +e^{Z_k}}$$

如果我们说 $10^{th}$ 路径是真实的标签路径, 换句话说, the $10^{th}$ path 是由训练集提供的标签。分数 $P_{10}$ 它就应该是在所有可能路径中有最大比例的。下面给出的式子同时也是损失函数，在训练过程中，我们 BiLSTM-CRF 模型的参数值将会被不断的更新，为了保障真实路径的分数所占比例不断的增加。
$$Loss=-\frac{P_{RealPath}}{P_1+P_2+\dots +P_N}$$

以START B-Person I-Person O B-Organization O END为例,
$$\begin{gathered} EmissionScore=x_{0,START}+x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}+x_{6,END} \\ TransitionScore=t_{START,B-Person}+t_{B-Person,I-Person}+t_{I-Person,O}+t_{O,B-Organization}+t_{B-Organization,END} \end{gathered}$$

对Loss函数取对数
$$\begin{array}{rl}LogLossFunction& =-log\frac{P_{RealPath}}{P_1+P_2+\dots +P_N}\\ & =-log\frac{e^{S_{RealPath}}}{e^{S_1}+e^{S_2}+\dots +e^{S_N}}\\ & =-(log(e^{S_{RealPath}})-log(e^{S_1}+e^{S_2}+\dots +e^{S_N}))\\ & =-(S_{RealPath}-log(e^{S_1}+e^{S_2}+\dots +e^{S_N}))\end{array}$$
$S_{RealPath}$的计算方法已知，关键是怎么计算$log(e^{S_1}+e^{S_2}+\dots +e^{S_N})$

训练阶段-动态规划

目标： $log(e^{S_1}+e^{S_2}+\dots +e^{S_N})$

这是过程是一个分数的累加。思想类似于动态规划,为了简化，我们假设句子长度为3，标签数量为2

Emission scores

Transition scores

• 第一个单词$W_0$

$Obs=[x_{0,1},x_{0,2}],previous=None$

在第一个单词，我们没有之前的结果，因此previous是空，另外，我们只能观测第一个单词的发射分数是$Obs=[x_{0,1},x_{0,2}]$,此时$W_0$的所有路径的总分数
$$TotalScore(w_0)=log(e^{x_{0,1}}+e^{x_{0,2}})$$

更新$previous=[log(e^{x_{0,1}}),log(e^{x_{0,2}})]$

• 第二个单词$W_1$

$Obs=[x_{1,1},x_{1,2}],previous=[x_{0,1},x_{0,2}]$(Obs与previous的长度始终等于标签数量)

扩展previous为
$$previous=\left(\begin{array}{cc}{x}_{0,1}& x_{0,1}\\ x_{0,2}& x_{0,2}\end{array}\right)$$

扩展Obs为
$$Obs=\left(\begin{array}{cc}{x}_{1,1}& x_{1,2}\\ x_{1,1}& x_{1,2}\end{array}\right)$$

加和previous，obs和transition scores
$$scores=\left(\begin{array}{cc}{x}_{0,1}& x_{0,1}\\ x_{0,2}& x_{0,2}\end{array}\right)+\left(\begin{array}{cc}{x}_{1,1}& x_{1,2}\\ x_{1,1}& x_{1,2}\end{array}\right)+\left(\begin{array}{cc}{t}_{1,1}& t_{1,2}\\ t_{2,1}& t_{2,2}\end{array}\right)=\left(\begin{array}{cc}{x}_{0,1}+x_{1,1}+t_{1,1}& x_{0,1}+x_{1,2}+t_{1,2}\\ x_{0,2}+x_{1,1}+t_{2,1}& x_{0,2}+x_{1,2}+t_{2,2}\end{array}\right)$$

transition scores是转移分数，所以前面两个矩阵的第二个下标，要与transition scores的下标对上，第一个矩阵中元素的第二个下标，是transition scores中的第一个下标； 第二个矩阵中元素的第二个下标，是transition scores中的第二个下标

更新$previous=[log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}}),log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})]$

计算总分数
$$\begin{array}{rl}TotalScore(w_0\to w_1)& =log(e^{previous[0]}+e^{previous[1]})\\ & =log(e^{log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})}+e^{log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})})\\ & =log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}}+e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})\end{array}$$

上面这个式子就是我们的目标$log(e^{S_1}+e^{S_2}+\dots +e^{S_N})$的一个具体表述了，更一般的我们再推一步

• 第三个单词$W_2$

$Obs=[x_{2,1},x_{2,2}],previous=[log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}}),log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})]$

扩展previous为
$$previous=\left(\begin{array}{cc}log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})& log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})\\ log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})& log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})\end{array}\right)$$

扩展Obs为
$$Obs=\left(\begin{array}{cc}{x}_{2,1}& x_{2,2}\\ x_{2,1}& x_{2,2}\end{array}\right)$$

加和previous，obs和transition scores
$$scores=\left(\begin{array}{cc}log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})& log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})\\ log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})& log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})\end{array}\right)+\left(\begin{array}{cc}{x}_{2,1}& x_{2,2}\\ x_{2,1}& x_{2,2}\end{array}\right)+\left(\begin{array}{cc}{t}_{1,1}& t_{1,2}\\ t_{2,1}& t_{2,2}\end{array}\right)=\left(\begin{array}{cc}log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})+x_{2,1}+t_{1,1}& log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})+x_{2,2}+t_{1,2}\\ log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})+x_{2,1}+t_{2,1}& log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})+x_{2,2}+t_{2,2}\end{array}\right)$$

更新$$\begin{array}{rl}previous& =[log(e^{log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})+x_{2,1}+t_{1,1}}+e^{log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})+x_{2,1}+t_{2,1}}),\\ & log(e^{log(e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})+x_{2,2}+t_{1,2}}+e^{log(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})+x_{2,2}+t_{2,2}})]\\ & =[log((e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})e^{x_{2,1}+t_{1,1}}+(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})e^{x_{2,1}+t_{2,1}}),\\ & log((e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})e^{x_{2,2}+t_{1,2}}+(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})e^{x_{2,2}+t_{2,2}})]\end{array}$$

计算总分数
$$\begin{array}{rl}TotalScore(w_0\to w_1\to w_2)& =log(e^{previous[0]}+e^{previous[1]})\\ & =log(e^{log(log((e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})e^{x_{2,1}+t_{1,1}}+(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})e^{x_{2,1}+t_{2,1}}))}\\ & +e^{log(log((e^{x_{0,1}+x_{1,1}+t_{1,1}}+e^{x_{0,2}+x_{1,1}+t_{2,1}})e^{x_{2,2}+t_{1,2}}+(e^{x_{0,1}+x_{1,2}+t_{1,2}}+e^{x_{0,2}+x_{1,2}+t_{2,2}})e^{x_{2,2}+t_{2,2}}))})\\ & =log(e^{x_{0,1}+x_{1,1}+t_{1,1}+x_{2,1}+t_{1,1}}\\ & +e^{x_{0,2}+x_{1,1}+t_{2,1}+x_{2,1}+t_{1,1}}\\ & +e^{x_{0,1}+x_{1,2}+t_{1,2}+x_{2,1}+t_{2,1}}\\ & +e^{x_{0,2}+x_{1,2}+t_{2,2}+x_{2,1}+t_{2,1}}\\ & +e^{x_{0,1}+x_{1,1}+t_{1,1}+x_{2,2}+t_{1,2}}\\ & +e^{x_{0,2}+x_{1,1}+t_{2,1}+x_{2,2}+t_{1,2}}\\ & +e^{x_{0,1}+x_{1,2}+t_{1,2}+x_{2,2}+t_{2,2}}\\ & +e^{x_{0,2}+x_{1,2}+t_{2,2}+x_{2,2}+t_{2,2}})\end{array}$$

可以发现，计算总分数其实是穷举法，但是只是列出的表达式看上去是穷举（第二个词的时候TotalScore是由四个路径构成，第三个词的时候TotalScore则是由八个路径构成），但是实际上计算的时候，一直都是Obj，previous与transition scores这三个矩阵的加法，所以动规解决了很多计算量…

推理阶段-动态规划

也是上面的步骤

• 计算当前Obs(Emission scores)
• 计算scores
  $$scores=\left(\begin{array}{cc}previous[0]& previous[0]\\ previous[1]& previous[1]\end{array}\right)+\left(\begin{array}{cc}Obs[0]& Obs[1]\\ Obs[0]& Obs[1]\end{array}\right)+\left(\begin{array}{cc}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right)$$
• 更新$previous，previous=[max(scores[0,0],scores[1,0]),max(scores[0,1],scores[1,1])]$, previous装的是到当前时刻，从前面过来，到当前时刻该标签的分数最大的那条路径
• 将分数保留在${\alpha }_0$里，对应列索引保留在${\alpha }_1$里(${\alpha }_1$表示上一个节点是什么标签,关键是$t$矩阵(transition scores)的下标,)
  $${\alpha }_0=[(0.5,0.4)],{\alpha }_1=[(1,1)]$$

以三个单词为例，最终${\alpha }_0$与${\alpha }_1$中存储的值如下
$${\alpha }_0=[(0.5,0.4),(0.8,0.9)],{\alpha }_1=[(1,1),(1,0)]$$
我们选择最大的分数0.9，0.9本身是标签2，他的前一个节点是标签0，在前一个节点是标签1，所以就能得到路径，具体路径选择如下图所示