中药说明书实体识别抽取top1-CSDN博客

向AI转型的程序员都关注了这个号????????????

机器学习AI算法工程公众号：datayx

人工智能加速了中医药领域的传承创新发展，其中中医药文本的信息抽取部分是构建中医药知识图谱的核心部分，为上层应用如临床辅助诊疗系统的构建（CDSS）等奠定了基础。本次NER任务需要抽取中药药品说明书中的关键信息，包括药品、药物成分、疾病、症状、证候等13类实体，构建中医药药品知识库。

数据探索分析

本次竞赛训练数据有三个特点：

中药药品说明书以长文本居多

- 医疗场景下的标注样本不足

- 标签分布不平衡

项目代码获取方式：

分享本文到朋友圈

关注微信公众号 datayx 然后回复中药即可获取。

AI项目体验地址 https://loveai.tech

店铺地址：

https://shop585613237.taobao.com

↓

核心思路

数据预处理

首先对说明书文本进行预清洗与长文本切分。预清洗部分对无效字符进行过滤。针对长文本问题，采用两级文本切分的策略。切分后的句子可能过短，将短文本归并，使得归并后的文本长度不超过设置的最大长度。此外，利用全部标注数据构造实体知识库，作为领域先验词典。

Baseline 细节
- 预训练模型：选用 UER-large-24 layer[1]，UER在RoBerta-wwm 框架下采用大规模优质中文语料继续训练，CLUE 任务中单模第一
- 差分学习率：BERT层学习率2e-5；其他层学习率2e-3
- 参数初始化：模型其他模块与BERT采用相同的初始化方式
- 滑动参数平均：加权平均最后几个epoch模型的权重，得到更加平滑和表现更优的模型
Baseline bad-case分析

优化1：对抗训练

动机：采用对抗训练缓解模型鲁棒性差的问题，提升模型泛化能力
对抗训练是一种引入噪声的训练方式，可以对参数进行正则化，提升模型鲁棒性和泛化能力
- Fast Gradient Method (FGM)：对embedding层在梯度方向添加扰动
- Projected Gradient Descent (PGD) [2]：迭代扰动，每次扰动被投影到规定范围内

优化2：混合精度训练（FP16）

动机：对抗训练降低了计算效率，使用混合精度训练优化训练耗时
混合精度训练
- 在内存中用FP16做存储和乘法来加速
- 用FP32做累加避免舍入误差
损失放大
- 反向传播前扩大2^k倍loss，防止loss下溢出
- 反向传播后将权重梯度还原

优化3：多模型融合

动机：baseline 错误集中于歧义性错误，采用多级医学命名实体识别系统以消除歧义性
方法：差异化多级模型融合系统
- 模型框架差异化：BERT-CRF & BERT-SPAN & BERT-MRC
- 训练数据差异化：更换随机种子、更换句子切分长度（256、512）
- 多级模型融合策略
融合模型1——BERT-SPAN
- 采用SPAN指针的形式替代CRF模块，加快训练速度
- 以半指针-半标注的结构预测实体的起始位置，同时标注过程中给出实体类别
- 采用严格解码形式，重叠实体选取logits最大的一个，保证准确率
- 使用label smooth缓解过拟合问题

融合模型2——BERT-MRC
- query：实体类型的描述来作为query
- doc：分句后的原始文本作为doc
- 基于阅读理解的方式处理NER任务
- 针对每一种类型构造一个样本，训练时有大量负样本，可以随机选取30%加入训练，其余丢弃，保证效率
- 预测时对每一类都需构造一次样本，对解码输出不做限制，保证召回率
- 使用label smooth缓解过拟合问题
- MRC在本次数据集上精度表现不佳，且训练和推理效率较低，仅作为提升召回率的方案，提供代码仅供学习，不推荐日常使用

多级融合策略
- CRF/SPAN/MRC 5折交叉验证得到的模型进行第一级概率融合，将 logits 平均后解码实体
- CRF/SPAN/MRC 概率融合后的模型进行第二级投票融合，获取最终结果

优化4：半监督学习

动机：为了缓解医疗场景下的标注语料稀缺的问题，我们使用半监督学习（伪标签）充分利用未标注的500条初赛测试集
策略：动态伪标签
- 首先使用原始标注数据训练一个基准模型M
- 使用基准模型M对初赛测试集进行预测得到伪标签
- 将伪标签加入训练集，赋予伪标签一个动态可学习权重（图中alpha），加入真实标签数据中共同训练得到模型M’

- tips：使用多模融合的基准模型减少伪标签的噪音；权重也可以固定，选取需多尝试哪个效果好，本质上是降低伪标签的loss权重，是缓解伪标签噪音的一种方法。

其他无明显提升的尝试方案

取BERT后四层动态加权输出，无明显提升
BERT 输出后加上BiLSTM / IDCNN 模块，过拟合严重，训练速度大大降低
数据增强，对同类实体词进行随机替换，以扩充训练数据
BERT-SPAN / MRC 模型采用focal loss / dice loss 等缓解标签不平衡
利用构造的领域词典修正模型输出

最终线上成绩72.90%，复赛Rank 1，决赛Rank 1

Ref

[1] Zhao et al., UER: An Open-Source Toolkit for Pre-training Models, EMNLP-IJCNLP, 2019. [2] Madry et al., Towards Deep Learning Models Resistant to Adversarial Attacks, ICLR, 2018.

机器学习算法AI大数据技术

搜索公众号添加： datanlp