【Transformers实战篇2】练习之命名实体识别

---

本文为 https://space.bilibili.com/21060026/channel/collectiondetail?sid=1357748的视频学习笔记

项目地址为：https://github.com/zyds/transformers-code

---

一、命名实体识别简介

• 命名实体识别（Named Entity Recognition， 简称NER）是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。 通常包括两部分：① 实体边界识别 ② 确定实体类别（人名、地名、机构名或其他）
  例：“小明在北京上班”

实体类别	实体
地点	北京
人物	小明

1.1 数据标注体系

• 数据标注体系：IOB1、IOB2、IOE1、IOE2、IOBES、BILOU

1.2 IOB2标注体系

• I 表示实体内部
• O 表示实体外部
• B 表示实体开始， 如B/I-xxx, XXX表示具体的类别。如下表格：

标记	说明
B-Person	人名开始
I-Person	人名中间
B-Organization	组织名开始
I-Organization	组织名中间
O	非命名实体

1.3 IOBES标注体系

• I 表示实体内部
• O 表示实体外部
• B 表示实体开始
• E 表示实体结束
• S 表示一个词单独形成一个命名实体
• 有时也会用M来代替I

二、代码实战

2.1 导入相关包

import evaluate
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForTokenClassification, TrainingArguments, Trainer, DataCollatorForTokenClassification, AutoModel

2.2 加载数据集

# 如果可以联网，直接使用load_dataset进行加载
#ner_datasets = load_dataset("peoples_daily_ner", cache_dir="./data")
# 如果无法联网，则使用下面的方式加载数据集
from datasets import DatasetDict
ner_datasets = DatasetDict.load_from_disk("ner_data")

先看一下数据集，发现tokens是由多个单个字token组成，是一个字一个字的。
ner_tags 是标签。ner_tags的长度和tokens的长度是对应的

ner_datasets["train"][0]
# 查看数据集的属性，其中ner_tags 也是一个序列
ner_datasets["train"].features

输出如下：

#%%
# 获取 ner_tags 中的 labels
label_list = ner_datasets["train"].features["ner_tags"].feature.names
label_list

输入如下：O表示非命名实体，B-PER表示人名开始。

2.3 数据集预处理

# 加载tokenizer
tokenizer = AutoTokenizer.from_pretrained("../../models/hfl/chinese-macbert-base")

这里注意：
如果直接tokenizer，会将每个拆分好的token，也就是每一个字都当成一个句子。因此，要指定is_split_into_words参数为True

# 如果直接tokens，会将每个拆分好的token，都当成一个句子
#tokenizer(ner_datasets["train"][0]["tokens"])  # 对于已经做好tokenize的数据，要指定is_split_into_words参数为True
# is_split_into_words=True 则当成整个句子
tokenizer(ner_datasets["train"][0]["tokens"], is_split_into_words=True)   # 对于已经做好tokenize的数据，要指定is_split_into_words参数为True

考虑到一个字可能会分成几个子字，如：interesting就被分成了4个子词，因此我们还需要对标签进行特殊的处理。

# tokenizer子词处理，拆出来了5个token
res = tokenizer("interesting word a")
res.word_ids()

2.3.1 借助word_idx实现标签映射

# 借助word_ids 实现标签映射
def process_function(examples):
    tokenized_exmaples = tokenizer(examples["tokens"], max_length=128, truncation=True, is_split_into_words=True)
    labels = []
    for i, label in enumerate(examples["ner_tags"]):
        word_ids = tokenized_exmaples.word_ids(batch_index=i)
        label_ids = []
        for word_id in word_ids:
            if word_id is None:
                label_ids.append(-100) # -100 指不会被交叉熵用上来
            else:
                label_ids.append(label[word_id])
        labels.append(label_ids)
    tokenized_exmaples["labels"] = labels
    return tokenized_exmaples
#%%
tokenized_datasets = ner_datasets.map(process_function, batched=True)

2.4 创建模型

一定要设置num_labels

# 对于所有的非二分类任务，切记要指定num_labels，否则就会device错误
model = AutoModelForTokenClassification.from_pretrained("../../models/hfl/chinese-macbert-base", num_labels=len(label_list))

2.5 创建评估函数

#%%
# 这里方便大家加载，替换成了本地的加载方式，无需额外下载
seqeval = evaluate.load("seqeval_metric.py")
import numpy as np

def eval_metric(pred):
    predictions, labels = pred
    predictions = np.argmax(predictions, axis=-1)

    # 将id转换为原始的字符串类型的标签
    true_predictions = [
        [label_list[p] for p, l in zip(prediction, label) if l != -100]
        for prediction, label in zip(predictions, labels) 
    ]

    true_labels = [
        [label_list[l] for p, l in zip(prediction, label) if l != -100]
        for prediction, label in zip(predictions, labels) 
    ]

    result = seqeval.compute(predictions=true_predictions, references=true_labels, mode="strict", scheme="IOB2")

    return {
        "f1": result["overall_f1"]
    }
    

2.6 配置训练参数

args = TrainingArguments(
    output_dir="models_for_ner",
    per_device_train_batch_size=64,
    per_device_eval_batch_size=128,
    eval_strategy="epoch",
    save_strategy="epoch",
    metric_for_best_model="f1",
    load_best_model_at_end=True,
    logging_steps=50,
    num_train_epochs=1,
    save_safetensors=False
)

2.7 创建训练器

trainer = Trainer(
    model=model,
    args=args,
    tokenizer=tokenizer,
    train_dataset=tokenized_datasets["train"],
    eval_dataset=tokenized_datasets["validation"],
    compute_metrics=eval_metric,
    data_collator=DataCollatorForTokenClassification(tokenizer=tokenizer)
)

2.8 模型训练

trainer.train()

2.9 模型预测

from transformers import pipeline
# 使用pipeline进行推理，要指定id2label
model.config.id2label = {idx: label for idx, label in enumerate(label_list)}
# 如果模型是基于GPU训练的，那么推理时要指定device
# 对于NER任务，可以指定aggregation_strategy为simple，得到具体的实体的结果，而不是token的结果
ner_pipe = pipeline("token-classification", model=model, tokenizer=tokenizer, device=0, aggregation_strategy="simple")
res = ner_pipe("小明在北京上班")
# 根据start和end取实际的结果
ner_result = {}
x = "小明在北京上班"
for r in res:
    if r["entity_group"] not in ner_result:
        ner_result[r["entity_group"]] = []
    ner_result[r["entity_group"]].append(x[r["start"]: r["end"]])

ner_result

输出：