|
命名实体识别（Named Entity Recognition，NER）是NLP中一项非常基础的任务。NER是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具。 上一期我们介绍了NER的基本概念，大致介绍了NER常用的模型。本期我们详细介绍目前NER最常用的两种深度学习模型，LSTM+CRF和Dilated-CNN。 作者&编辑 | 小Dream哥 1 LSTM+CRF 在NLP领域，有那么一段时间，LSTM是“最红”的特征抽取器，自然，NER中也开始引入LSTM来进行特征抽取。 LSTM我就不再做过多的介绍，其原理在我的一篇文章中有详细的介绍，读者可以点击如下的链接回顾：  如上图所示，是用双向LSTM+CRF进行命名实体识别的模型结构图。 我们来好好分析一下这个模型，看数据的流转和各层的作用。 1.embedding layer 将中文转化为字向量，获得输入embedding 2.将embedding输入到BiLSTM层，进行特征提取（编码），得到序列的特征表征，logits。 3.logits需要解码，得到标注序列。将其输入到解码CRF层，获得每个字的序列。 总结一下，该模型的重点其实有两个： 1. 引入双向LSTM层作为特征提取工具，LSTM拥有较强的长序列特征提取能力，是个不错的选择。双向LSTM，在提取某个时刻特征时，能够利用该时刻之后的序列的信息，无疑能够提高模型的特征提取能力。 2. 引入CRF作为解码工具。中文输入经过双向LSTM层的编码之后，需要能够利用编码到的丰富的信息，将其转化成NER标注序列。通过观察序列，预测隐藏状态序列，CRF无疑是首选。 2 ID-CNN+CRF 膨胀卷积可能有很多朋友还不是很熟悉，这里先做一个简单的介绍。 Dilated/Atrous Convolution（中文叫做空洞卷积或者膨胀卷积)）或者是Convolution with holes。从字面上就很好理解，就是在标准的卷积里注入空洞，以此来增加感受野。  Convolution with 3*3 kernel  Dilated Convolution with 3*3 kernel 如上图所示，相比原来的正常卷积，膨胀卷积多了一个超参数，称之为膨胀率（dilation rate），指的是kernel的间隔数量(例如，正常的卷积是膨胀率是1)。 “膨胀”的好处是，不做池化，不损失信息的情况下，增大了感受野，让每个卷积输出都包含较大范围的信息。 《Fast and Accurate Entity Recognition with Iterated Dilated Convolutions》一文中提出在NER任务中，引入膨胀卷积，一方面可以引入CNN并行计算的优势，提高训练和预测时的速度；另一方面，可以减轻CNN在长序列输入上特征提取能力弱的劣势。 具体使用时，dilated width会随着层数的增加而指数增加。这样随着层数的增加，参数数量是线性增加的，而感受野却是指数增加的，这样就可以很快覆盖到全部的输入数据。  如上图所示，模型是4个大的相同结构的Dilated CNN block拼在一起，每个block里面是dilation width为1, 1, 2的三层Dilated卷积层，所以叫做 Iterated Dilated CNN。 IDCNN对输入句子的每一个字生成一个logits，这里就和BiLSTM模型输出logits之后完全一样，再放入CRF Layer解码出标注结果。 LSTM+CRF和ID-CNN+CRF两种模型其实都是同一个架构：深度学习特征提取+CRF解码。现在绝大部分的NER任务都是采用这样的一套框架。本文详细的介绍了上述两种方法的模型结构和本质，具体的实现和代码，包括数据预处理，模型搭建，训练，部署等在我们的知识星球里都有详细的介绍，感兴趣的同学可以扫描下面的二维码加入。 |
|
|
