传知代码-命名实体识别(论文复现)

最新推荐文章于 2024-08-12 00:24:46 发布

chuanzhi_tech

最新推荐文章于 2024-08-12 00:24:46 发布

阅读量918

点赞数 29

分类专栏：传知代码文章标签：深度学习论文笔记自然语言处理 nlp 人工智能

本文链接：https://blog.csdn.net/chuanzhi_tech/article/details/140671657

版权

传知代码专栏收录该内容

62 篇文章 2 订阅

订阅专栏

代码以及视频讲解

本文所涉及所有资源均在传知代码平台可获取

概述

实体识别任务（Named Entity Recognition，简称NER）是自然语言处理（NLP）中的一个基本任务，旨在从文本中识别和分类命名实体。命名实体通常包括专有名词，如人名、地名、组织名等。

下图展示了一个简单的实体抽取任务，在句子中抽取出来阿里巴巴（组织名）、马云（人名）和杭州（地名）三个实体。

在这里插入图片描述

主要目标

NER 的主要目标是找到文本中有意义的实体，并将其归类到预定义的类别中。以下是一些常见的类别：

人名（Person）：例如“乔布斯”、“马云”。
地名（Location）：例如“纽约”、“长城”。
组织名（Organization）：例如“微软”、“联合国”。

应用

命名实体识别是自然语言处理领域的一个重要的任务，它在很多具体任务上有着自己的应用：
信息抽取：从大量文档中自动提取有价值的信息。
问答系统：帮助系统更准确地理解问题并返回相关答案。
文本摘要：在生成文本摘要时识别出关键实体以保留重要信息。
推荐系统：通过识别用户偏好的实体来提供个性化推荐。

论文介绍

本文的工作启发于论文BERT-BiLSTM-CRF Chinese Resume Named Entity Recognition Combining Attention Mechanisms

https://dl.acm.org/doi/abs/10.1145/3652628.3652719

技术方法

在这里插入图片描述

BERT编码

首先，将输入的中文文本通过预训练的 BERT 模型进行编码，生成每个字的上下文表示。BERT模型通过其双向Transformer架构，能够捕捉文本中每个字与其前后文之间的复杂关系，从而生成高质量的字级别表示，有助于后续的特征提取和实体识别。

BiLSTM特征提取

接下来，将 BERT 输出的特征向量输入到双向长短时记忆网络（BiLSTM）中，以捕捉序列中的前后依赖关系。BiLSTM网络能够从两个方向处理序列数据，即从前向后和从后向前。使得模型可以充分利用上下文信息，对每个字在整个序列中的位置和角色进行更准确的建模，从而提取出更丰富的特征表示。

注意力机制

在 BiLSTM 层之后，引入注意力机制，以便模型能够聚焦于更相关的特征。注意力机制通过计算序列中各个字之间的相关性权重，使模型能够动态地调整对不同位置的字的关注程度。

CRF标注

最后，将经过注意力机制处理的特征向量输入CRF层，进行全局序列标注，输出最终的实体识别结果。CRF是一种用于序列标注的概率图模体型，它考虑了标注序列的全局依赖关系，从而在预测每个字的标签时，不仅依赖于当前字的特征，还综合考虑其邻近字的标注情况。

论文提出的BERT-BiLSTM-Att-CRF模型在中文数据集上取得了较好的识别效果。

结合论文提出的框架，本文新增了一个LoRA层，用来优化模型

LoRA

神经网络包含许多密集层执行矩阵乘法。这些层中的权重矩阵通常是满秩的。当适应特定下游任务时，研究表明：预训练语言模型拥有较低的内在维度，也就是说，存在一个极低维度的参数，对它进行微调，和在全参数空间中进行微调，训练效果是相近的。受此启发，在参数更新过程中，应当也存在一个相对较低的“本征秩”。对于预训练的权重矩阵，通过低秩分解来约束其更新。在涉及到矩阵相乘的模块，增加一个新的通路，通过前后两个矩阵A,B相乘，第一个矩阵A负责降维，第二个矩阵B负责升维，中间层维度为r，从而来模拟本征秩。

数据处理

数据来源

本文所用的训练数据是MSRA-NER数据集。

MSRA-NER是由微软亚洲研究院标注的新闻领域的实体识别数据集。该数据集包含5万多条中文实体识别标注数据，实体类别分为人物、地点、机构三类。

数据集包含训练集46364个句子，验证集4365个句子。

格式举例如下：

中 共 中 央 致 中 国 致 公 党 十 一 大 的 贺 词 各 位 代 表 、 各 位 同 志 ： 在 中 国 致 公 党 第 十 一 次 全 国 代 表 大 会 隆 重 召 开 之 际 ， 中 国 共 产 党 中 央 委 员 会 谨 向 大 会 表 示 热 烈 的 祝 贺 ， 向 致 公 党 的 同 志 们 致 以 亲 切 的 问 候 ！
B-ORG I-ORG I-ORG I-ORG O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O B-ORG I-ORG I-ORG O O O O O O O O O O O O

数据标注

采用BIO标注方式对获得的文本句子进行标注

BIO数据标注方式是命名实体识别（NER）任务中常用的一种标注方法。BIO代表三种标签：B（Begin），I（Inside）和O（Outside），用于标记文本中每个词属于某个命名实体的开头、内部或外部。以下是对BIO标注方式的详细介绍：

BIO标签定义

B（Begin）：表示命名实体的开始。一个实体的第一个词标注为B-<实体类型>。
I（Inside）：表示命名实体的内部。属于同一个实体的后续词标注为I-<实体类型>。
O（Outside）：表示不属于任何命名实体的词。

例如，B-ORG表示组织实体的开头，I-ORG表示组织实体的内部。下图展示了一个标注好的例子，其中未标注的字段都是无实体（O）。
在这里插入图片描述

核心逻辑

BaLC模型

自定义attention层，bert模型、LSTM模型、CRF模型调用pytorch库中的相关模型，使用BERT预训练的语言模型对输入文本进行字符级编码，获得动态词向量，然后使用双向长短期记忆（BiLSTM）网络提取全局语义特征，然后使用注意力机制分配权重，更好地捕捉关键特征，最后使用条件随机场（CRFs）输出全局最优标记序列。具体定义如下：

import torch.nn as nn
from transformers import BertPreTrainedModel, BertModel, BertConfig
from torchcrf import CRF
import math
import torch


class Self_Attention(nn.Module):
    def __init__(self, input_dim, dim_k, dim_v):
        super(Self_Attention, self).__init__()
        self.q = nn.Linear(input_dim, dim_k)
        self.k = nn.Linear(input_dim, dim_k)
        self.v = nn.Linear(input_dim, dim_v)
        self._norm_fact = 1 / math.sqrt(dim_k)

    def forward(self, x):
        Q = self.q(x)  
        K = self.k(x) 
        V = self.v(x) 
        atten = torch.bmm(Q, K.permute(0, 2, 1)) * self._norm_fact  # Q * K.T()
        atten = nn.Softmax(dim=-1)(atten)
        output = torch.bmm(atten, V)  
        return output


class BERT_BiLSTM_ATT_CRF(nn.Module):
    def __init__(self, bert_model, hidden_dropout_prob, num_labels, hidden_dim=128):
        super(BERT_BiLSTM_ATT_CRF, self).__init__()
        self.bert = BertModel.from_pretrained(bert_model)
        bert_config = BertConfig.from_pretrained(bert_model)
        self.dropout = nn.Dropout(hidden_dropout_prob)

        self.bilstm = nn.LSTM(input_size=bert_config.hidden_size, hidden_size=hidden_dim, num_layers=1, bidirectional=True, batch_first=True)
        out_dim = hidden_dim* 2

        self.hidden2tag = nn.Linear(in_features=out_dim, out_features=num_labels)
        self.attention = Self_Attention(128, 128, 128)
        self.crf = CRF(num_tags=num_labels, batch_first=True)

    def forward(self, input_ids, tags, token_type_ids=None, attention_mask=None):
        outputs = self.bert(input_ids, token_type_ids=token_type_ids, attention_mask=attention_mask)
        sequence_output = outputs[0]  
        sequence_output, _ = self.bilstm(sequence_output)  
        sequence_output = self.dropout(sequence_output)
        sequence_output = self.attention(sequence_output)
        sequence_output = self.hidden2tag(sequence_output) 
        outputs = self.crf(sequence_output , tags, mask=attention_mask.byte())
        
        return outputs

LoRA结构

其中，为了优化模型的算法，在Bert的encoder模块加入了LoRA方法，使得模型的训练速度得到提高，训练效果得到提高。
原则上，可以将LoRA应用到神经网络中，以减少可训练参数的数量。在Transformer结构中，自注意力模块有四个权重矩阵 $W_q,W_k,W_v,W_o)$ ，MLP模块有两个权重矩阵。通常来说，将LoRA添加到 $W_q$ 和 $W_k$ 两个模块中，效果是比较好的。因此，在Q(query)和K(key)模块，插入LoRA层。

    for layer in model.bert.encoder.bert_layer_groups:
        layer.bert_layers[0].attention.query = LinearLora(layer.bert_layers[0].attention.query,rank=8,alpha=16)
        layer.bert_layers[0].attention.key = LinearLora(layer.bert_layers[0].attention.key,rank=8,alpha=16)
       
    model.to(device)

实现方式

首先下载Bert预训练模型，然后收集自己要训练的数据集，放入文件中，修改源码中的路径名称。

运行train.py函数，开始训练，可以自行调整训练中的epoch等参数，其中训练的时候会调用测试函数进行输出。

演示效果

运行train.py函数，可以看到模型开始训练，在模型训练结束后，会根据测试集的结果生成测试的结果

           precision    recall  f1-score   support
    B-LOC     0.9257    0.8245    0.8721      2871
    I-LOC     0.8894    0.8796    0.8845      4370
    B-ORG     0.8625    0.7800    0.8192      1327
    B-PER     0.9513    0.9021    0.9261      1972
    I-PER     0.9254    0.9521    0.9386      3845
        O     0.9913    0.9917    0.9915    150935
    I-ORG     0.8631    0.9255    0.8932      5640
avg/total     0.9804    0.9803    0.9802    170960

运行demo.py可以根据输入的句子，进行实体识别，例如：

sentence = "在 唐 胜 利 康 复 回 乡 前 一 天 ， 北 京 博 爱 医 院 院 长 吴 弦 光 代 表 医 院 向 唐 胜 利 及 其 父 亲 赠 送 编 织 机 。"
output =[['<START>', 'O', 'B-PER', 'I-PER', 'I-PER', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'B-LOC', 'B-ORG', 'B-ORG', 'B-ORG', 'B-ORG', 'B-ORG', 'O', 'O', 'B-PER', 'I-ORG', 'I-ORG', 'O', 'O', 'B-LOC', 'B-ORG', 'O', 'B-PER', 'I-PER', 'I-PER', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', '<END>']]

可以看出，模型能识别句子中的实体，并按照BIO标注返回结果

源码下载