BiLSTM上的CRF，用命名实体识别任务来解释CRF（2）损失函数

转载来源： CreateMoMo

今天是第二部分，给大家推导一下CRF的损失函数如何计算，思路很清楚。

回顾

在前一节中，我们知道CRF层可以从训练数据集中学习一些约束，以确保最终预测的实体标签序列是有效的。

约束条件可以是:

• 句子中第一个单词的标签应该以“B-”或“O”开头，而不是“I-”
• “B-label1 I-label2 I-label3 I-…”，在这个模式中，label1、label2、label3…应该是相同的命名实体标签。例如，“B-Person I-Person”是有效的，但是“B-Person I-Organization”是无效的。
• “O I-label”无效。一个命名实体的第一个标签应该以“B-”而不是“I-”开头，换句话说，有效的模式应该是“O B-label”
• …
  阅读本文之后，你将了解为什么CRF层可以学习这些约束。

2. CRF层

在CRF层的损失函数中，我们有两种类型的分数。这两个分数是CRF层的关键概念。

2.1 Emission得分

第一个是emission分数。这些emission分数来自BiLSTM层。例如，如图2.1所示，标记为B-Person的w0的分数为1.5。

为了方便起见，我们将给每个标签一个索引号，如下表所示。

我们用$x_{i{y}_f}$来表示emission分数。i是word的索引，$y_i$是label的索引。如图2.1所示，$x_{i=1,y_i=2}=x_{w_1,B-Organization}=0.1,=1$，即w1作为B-Organization的得分为0.1。

2.2 Transition得分

我们使用$t_{y_i,y_j}$来表示transition分数。例如，$t_{B-Person,I-Person}=0.9$表示标签的transition，$B-Person\to I-Person$得分为0.9。因此，我们有一个transition得分矩阵，它存储了所有标签之间的所有得分。

为了使transition评分矩阵更健壮，我们将添加另外两个标签，START和END。START是指一个句子的开头，而不是第一个单词。END表示句子的结尾。

下面是一个transition得分矩阵的例子，包括额外添加的START和END标签。

如上表所示，我们可以发现transition矩阵已经学习了一些有用的约束。

• 句子中第一个单词的标签应该以“B-”或“O”开头，而不是“I-”开头**(从“START”到“I- person或I- organization”的transition分数非常低)**
• “B-label1 I-label2 I-label3 I-…”，在这个模式中，label1、label2、label3…应该是相同的命名实体标签。例如，“B-Person I-Person”是有效的，但是“B-Person I-Organization”是无效的。(例如，从“B-Organization”到“I-Person”的分数只有0.0003，比其他分数低很多)
• “O I-label”无效。一个被命名实体的第一个标签应该以“B-”而不是“I-”开头，换句话说，有效的模式应该是“O B-label”(同样，$t_{O,I-Person}$的分数非常小)
• …
  你可能想问一个关于矩阵的问题。在哪里或如何得到transition矩阵？

实际上，该矩阵是BiLSTM-CRF模型的一个参数。在训练模型之前，可以随机初始化矩阵中的所有transition分数。所有的随机分数将在你的训练过程中自动更新。换句话说，CRF层可以自己学习这些约束。我们不需要手动构建矩阵。随着训练迭代次数的增加，分数会逐渐趋于合理。

2.3 CRF损失函数

CRF损失函数由真实路径得分和所有可能路径的总得分组成。在所有可能的路径中，真实路径的得分应该是最高的。

例如，如果我们的数据集中有如下表所示的这些标签：

我们还是有一个5个单词的句子。可能的路径是：

• 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
• …
• N) O O O O O O O
  假设每条可能的路径都有一个分数$P_i$，并且总共有N条可能的路径，所有路径的总分数是$P_{total}=P_1+P_2+...+P_N=e^{S_1}+e^{S_2}+...+e^{S_N}$。(在第2.4节中，我们将解释如何计算$S_i$，你也可以把它当作这条路径的分数。)

如果我们说第10条路径是真正的路径，换句话说，第10条路径是我们的训练数据集提供的黄金标准标签。在所有可能的路径中，得分$P_{10}$应该是百分比最大的。

在训练过程中，我们的BiLSTM-CRF模型的参数值将会一次又一次的更新，以保持增加真实路径的分数百分比。
$$LossFunction=\frac{P_{RealPath}}{P_1+P_2+...+P_N}$$

现在的问题是：1)如何定义一个路径的分数？2)如何计算所有可能路径的总分？3)当我们计算总分时，我们需要列出所有可能的路径吗？(这个问题的答案是否定的。)

在下面的小节中，我们将看到如何解决这些问题。

2.4 实际路径得分

在2.3节中，我们假设每条可能的路径都有一个得分$P_i$，并且有N条可能的路径，所有路径的总得分为$P_{total}=P_1+P_2+...+P_N=e^{S_1}+e^{S_2}+...+e^{S_N}$。

显然，在所有可能的路径中，一定有一条是真实路径。对于这个例子来说，第1.2节中句子的实际路径是**“START B-Person I-Person O B-Organization O END”**。其他的是不正确的，如“START B-Person B-Organization O I-Person I-Person B-Person”。$e^{S_i}$是第i条路径的得分。

在训练过程中，CRF损失函数只需要两个分数：真实路径的分数和所有可能路径的总分数。所有可能路径的分数中，真实路径分数所占的比例会逐渐增加。

计算实际路径分数$e^{S_i}$非常简单。

这里我们主要关注的是$S_i$的计算。

选取真实路径，“START B-Person I-Person O B-Organization O END”，我们以前用过，例如：

• 我们有一个5个单词的句子，w1,w2,w3,w4, w4,w5
• 我们增加了两个额外的单词来表示一个句子的开始和结束，w0,w6
• $S_i$由两部分组成$S_i=EmissionScore+TransitionScore$

Emission得分：
$$EmissionScore=x_{0,START}+x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}+x_{6,END}$$

• $x_{index,label}$是第index个单词被label标记的分数
• 这些得分$x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}$来自之前的BiLSTM输出。
• 对于$x_{0,START}$，$x-6,END$，我们可以把它们设为0。

Transition得分：
$$\text{EmissionScore}=x_{0,START}+x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}+x_{6,END}$$

• $t_{label1->label2}$是从 label1到label2的transition分数
• 这些分数来自CRF层。换句话说，这些transition分数实际上是CRF层的参数。
  综上所述，现在我们可以计算出$S_i$以及路径得分$e^{S_i}$。

下一步是如何计算所有可能路径的总分？

2.5 所有可能的路径的得分

如何逐步计算一个toy例子一个句子的所有可能的路径的总分。

在上一节中，我们学习了如何计算一个路径(即$e^{S_i}$)的标签路径得分。到目前为止，我们还有一个需要解决的问题，就是如何得到所有路径的总分($P_{\text{total}}=P_1+P_2+\dots +P_N=e^{S_1}+e^{S_2}+\dots +e^{S_N}$)。

衡量总分最简单的方法是：列举所有可能的路径并将它们的分数相加。是的，你可以用这种方法计算总分。然而，这是非常低效的。训练的时间将是难以忍受的。

在探索以下内容之前，我建议你先准备一张白纸和一支笔，并按照示例中列出的步骤进行操作。我相信这将有助于你更好地理解算法的细节。此外，你应该知道如何用你喜欢的编程语言实现它。
步骤1: 回想一下CRF损失函数

在section 2.3中，我们将CRF损失函数定义为：
$$\text{LossFunction}=\frac{P_{\text{RealPath}}}{P_1+P_2+\dots +P_N}$$
现在我们把loss函数变成log loss函数：
$$\text{logLossFunction}=\log \frac{P_{\text{RealPath}}}{P_1+P_2+\dots +P_N}$$
因为当我们训练一个模型时，通常我们的目标是最小化我们的损失函数，我们加上一个负号：
$$\text{logLossFunction}=-\log \frac{P_{\text{RealPath}}}{P_1+P_2+\dots +P_N}=-\log \frac{e^{S_{\text{RealPath}}}}{e^{S_1}+e^{S_2}+\dots +e^{S_N}}=-\left(\log \left(e^{S_{\text{Real }}{P}_{\text{ath }}}\right)-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right)=-\left(S_{\text{RealPath }}-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right)=-\left(\sum _{i=1}^N{x}_{i{y}_j}+\sum _{i=1}^{N-1}{t}_{y_i{y}_{i+1}}-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right)$$
在上一节中，我们已经知道如何计算实际路径得分，现在我们需要找到一个有效的解决方案来计算$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$。
步骤2: 回忆一下Emission和Transition得分

为了简化，我们假设我们从这个句子中训练我们的模型，它的长度只有3：
$$x=\left[w_0,w_1,w_2\right]$$
此外，在我们的数据集中，我们有两个标签：
L a b e l S e t = { l 1 , l 2 } LabelSet =\{l 1, l 2\} LabelSet={l1,l2}
我们还有Bi-LSTM层输出的Emission分数：

$x_{ij}$表示${\mathbf{w}}_i$被标记为$l_j$的得分。

此外，Transition分数来自CRF层：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tEKxpfpe-1591423907617)(CRF Layer on the Top of BiLSTM - 2.assets/1585055587948.png)]

$t_{i}j$是从标签i到标签j的transition得分。

步骤3: 开始战斗（准备好纸笔）

记住：我们的目标是：$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$
这个过程就是分数的累加。其思想与动态规划相似(如果你不知道什么是动态编程，也可以继续阅读本文)。我将逐步解释这个例子。但我强烈建议你学习动态规划算法。简而言之，计算w0的所有可能路径的总分。然后，我们用总分来计算w0→w1。最后，我们使用最新的总分来计算w0→w1→w2。我们需要的是最后的总分。

在接下来的步骤中，你将看到两个变量：obs和previous。previous存储前面步骤的最终结果。obs表示当前单词的信息。
$$\begin{array}{l}{w}_0:\\ obs=\left[x_{01},x_{02}\right]\\ \text{ previous }=\text{ None }\end{array}$$
如果我们的句子只有一个单词$w_0$，我们就没有前面步骤的结果，因此previous是None。另外，我们只能观察到第一个词$obs=\left[x_{01},x_{02}\right]$。$x_{01}$和$x_{02}$是上述的Emission分数。

你可能会想，的所有可能路径的总分是多少？答案很简单：
$$\text{TotalScore}\left(w_0\right)=\log \left(e^{x_{01}}+e^{x_{02}}\right)$$

$$\begin{array}{l}{w}_0->w_1\\ obs=\left[x_{11},x_{12}\right]\\ \text{ previous }=\left[x_{01},x_{02}\right]\end{array}$$

1. 把previous展开成：
   $$\text{previous}=\left(\begin{array}{ll}{x}_{01}& x_{01}\\ x_{02}& x_{02}\end{array}\right)$$
2. 把obs展开成：
   $$obs=\left(\begin{array}{ll}{x}_{11}& x_{12}\\ x_{11}& x_{12}\end{array}\right)$$

你可能想知道，为什么我们需要把previous和obs扩展成矩阵。因为矩阵可以提高计算的效率。在下面的过程中，你将很快看到这一点。

3. 对 previous, obs以及transition得分求和：
   $$\text{scores}=\left(\begin{array}{cc}{x}_{01}& x_{01}\\ x_{02}& x_{02}\end{array}\right)+\left(\begin{array}{cc}{x}_{11}& x_{12}\\ x_{11}& x_{12}\end{array}\right)+\left(\begin{array}{cc}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right)$$

然后：
$$\text{scores}=\left(\begin{array}{ll}{x}_{01}+x_{11}+t_{11}& x_{01}+x_{12}+t_{12}\\ x_{02}+x_{11}+t_{21}& x_{02}+x_{12}+t_{22}\end{array}\right)$$
为下一个迭代修改previous的值：
$$\text{previous}=[\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right),\log \left(\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)\right]$$
实际上，第二次迭代已经完成。如果有人想知道如何计算所有可能路径的总分(label1→label1, label1→label2, label2→label1, label2→label2)，从w0到w1，可以做如下计算。

我们使用新的previous中的元素：
$$\text{TotalScore}\left(w_0->w_1\right)=\log \left(e^{\text{previous}[0]}+e^{\text{previous}[1]}\right)=\log (e^{\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)}+e^{\log \left(e^{x_{01}+x_{12}+t_{12}+e^{x_{02}+x_{12}+t_{22}})}\right)}=\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}+e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)$$
你发现了吗？这正是我们的目标：$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$

在这个等式中，我们可以看到：

• $S_1=x_{01}+x_{11}+t_{11}\left({\text{label}}_1->{\text{label}}_1\right)$
• $S_2=x_{02}+x_{11}+t_{21}\left({\mathrm{label}}_2->{\mathrm{label}}_1\right)$
• $S_3=x_{01}+x_{12}+t_{12}\left({\mathrm{label}}_1->{\mathrm{label}}_2\right)$
• $S_4=x_{02}+x_{12}+t_{22}\left({\text{label}}_2->{\text{label}}_2\right)$

$w_0->w_1->w_2$
如果你读到这里了，你已经快要读完了，实际上，在这个迭代里，我们做的事情是和上个迭代一样的。
$$\begin{array}{l}\text{ obs }=\left[x_{21},x_{22}\right]\\ \text{ previous }=[\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right),\log \left(\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)\right]\end{array}$$

1. 把previous扩展成：
   $$\text{previous}=\left(\begin{array}{cc}\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)& \log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)\\ \log (\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)& \log (\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)\end{array}\right)$$
2. 把obs扩展成：
   $$obs=\left(\begin{array}{ll}{x}_{21}& x_{22}\\ x_{21}& x_{22}\end{array}\right)$$
3. 把previous, obs和transition分数加起来：
   $$\text{scores}=\left(\begin{array}{cc}\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)& \log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)\\ \log (\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)& \log (\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)\end{array}\right)+\left(\begin{array}{cc}{x}_{21}& x_{22}\\ x_{21}& x_{22}\end{array}\right)+\left(\begin{array}{ll}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right)$$
   然后：
   $$\text{scores}=\left(\begin{array}{cc}\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)+x_{21}+t_{11}& \log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)+x_{22}+t_{12}\\ \log (\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)+x_{21}+t_{21}& \log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)+x_{22}+t_{22}\end{array}\right)$$
   为下一个迭代计算 previous的值：
   $$\begin{array}{rl}& \begin{array}{l}\text{ previous }=[\\ \begin{array}{l}\log (e^{\log (e^{x_{01}+x_{11}+t_{11}+e^{x_{02}+x_{11}+t_{21}})+x_{21}+t_{11}}+e^{\log \left(e^{x_{01}+x_{12}+t_{12}+e^{x_{02}+x_{12}+t_{22}})+x_{21}+t_{21}}\right)}}\\ ,\\ \log (e^{\log (e^{x_{01}+x_{11}+t_{11}+e^{x_{02}+x_{11}+t_{21}})+x_{22}+t_{12}}+e^{\log \left(e^{x_{01}+x_{12}+t_{12}+e^{x_{02}+x_{12}+t_{22}})+x_{22}+t_{22}}\right)}}\end{array}\end{array}\\ ]& \\ & =[\log \left(\left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)e^{x_{21}+t_{11}}+\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)e^{x_{21}+t_{21}}\right)\\ & \log \left(\left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)e^{x_{22}+t_{12}}+\left(e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)e^{x_{22}+t_{22}}\right)]\end{array}$$
   就像下一个迭代描述的一样，我们使用新的previous中的元素来计算total score：
   $$\begin{array}{l}\text{ TotalScore }\left(w_0\to w_1\to w_2\right)\\ =\log \left(e^{\text{previous}[0]}+e^{\text{previous}[1]}\right)\\ =\log (e^{\log ((e^{x_{01}+x_{11}+t_{11}+e^{x_{02}+x_{11}+t_{21}})e^{x_{21}+t_{11}}+(e^{x_{01}+x_{12}+t_{12}+e^{x_{02}+x_{12}+t_{22}})e^{x_{21}+t_{21}})}}}\\ +e^{\log ((e^{x_{01}+x_{11}+t_{11}+e^{x_{02}+x_{11}+t_{21}})e^{x_{22}+t_{12}+\left(e^{x_{01}+x_{12}+t_{12}+e^{x_{02}+x_{12}+t_{22}})e^{x_{22}+t_{22}})}\right)}}}\\ =\log (e^{x_{01}+x_{11}+t_{11}+x_{21}+t_{11}}+e^{x_{02}+x_{11}+t_{21}+x_{21}+t_{11}}\\ +e^{x_{01}+x_{12}+t_{12}+x_{21}+t_{21}}+e^{x_{02}+x_{12}+t_{22}+x_{21}+t_{21}}\\ +e^{x_{01}+x_{11}+t_{11}+x_{22}+t_{12}}+e^{x_{02}+x_{11}+t_{21}+x_{22}+t_{12}}\\ +e^{x_{01}+x_{12}+t_{12}+x_{22}+t_{22}}+e^{x_{02}+x_{12}+t_{22}+x_{22}+t_{22}})\end{array}$$

恭喜！

我们达到了目标，$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$，我们的toy句子有三个单词，label set有两个label，所以一共应该有8种可能的label path。

附言

在你享用一杯咖啡或一块甜蛋糕休息之前，请允许我说几句话。虽然你发现这个过程相当复杂，但是实现这个算法要容易得多。使用计算机的优点之一是可以完成一些重复性的工作。现在你可以自己实现CRF损失函数，并开始训练自己的模型。

英文原文：https://createmomo.github.io/2017/09/23/CRF_Layer_on_the_Top_of_BiLSTM_2