一种融合指代消解序列标注方法在中文人名识别上的应用（上）

技术领域

自然语言处理领域。

应用场景：

  适用于自然语言处理领域，通过命名实体识别（Named Entity Recognition，NER），准确识别实体。依托自然语言处理领域，基于人民日报数据及构造的舆情公告数据，提出一种融合指代消解的序列标注方法来改进人名识别。

解决的问题：

  实体包括人名、地名和组织名等，与其他实体相比，人名与职务、职务变更及人称代词有关。人名作为众多实体类别之一，常出现在信息资料库、图书馆借阅登记表、期刊文章等场景中。但在人名的实体识别时，人名语料的残缺及人称指代不明等问题，会严重影响识别的准确度，成为处理中的难点、痛点。

  基于人民日报数据及构造的舆情公告数据，提出一种融合指代消解的序列标注方法来改进人名识别。通过人民日报数据及构造的舆情公告数据，能有效缓解人名识别中人名语料不完善的问题；通过数据增强优化数据集，并对人称代词进行人称消解，解决人称代词指代不明、有效数据占比低等问题，提高人名提取的准确率。

系统方法说明

一、对数据进行数据增强：

• 利用爬虫技术爬取到舆情公告文本数据。
• 利用分词工具从海量文本中进行文本抽取，抽取出符合要求的单句文本。
• 针对职务变更词和职务，设置自定义词典，达到数据增强的效果。

数据预处理阶段，根据职务变更等有效信息进行数据增强

  先利用爬虫技术爬取到舆情公告文本数据，之后利用分词工具从海量文本中进行文本抽取，抽取出符合要求的单句文本；再针对职务变更词和职务，设置自定义词典，达到数据增强的效果。

  首先，对文本数据进行清洗、分类，既可以减少噪声干扰，又能保证后续数据增强的正确性。接着，对职务变更词和职务进行细粒度区分，为后续测验铺垫。不进行数据预处理，即直接在原文本上也可以进行中文人名识别，但这样性能差。首先，对文本数据进行清洗、分类，既可以减少噪声干扰，又能保证后续数据增强的正确性。接着，对职务变更词和职务进行细粒度区分，为后续测验铺垫。

  在分词阶段，使用Jieba分词。虽然有的非全名字段，如“周先生”仍可成功识别，但是少许职务会被当作人名出现。为了解决该问题，通过设置禁用词表和自定义词典，改进粗略目标文本数据，进而得到最终的精确目标文本数据。在获得精确文本数据后，按照职务变更词、职务进行提取，达到数据增强的作用。

二、使用了BERT模型和指代消解算法：

• 加入BERT语言预处理模型，获取到高质量动态词向量。
• 融入指代消解算法，根据指代词找出符合要求的子串/短语。

【1】加入BERT语言预处理模型，获取到高质量动态词向量

  在使用BERT模型之前，有两大模型训练方式，一个是Word2Vec模型，它训练出来的词向量属于静态词向量，无法表示一词多义；另一个方法是使用GPT单向语言模型训练的，无法获取字的上下文信息，所以将单向的LSTM模块改为双向的BiLSTM模块，对单项GPT模型进行改进，变成双向语言模型。仅仅利用双向长短时记忆网络与条件随机场结合的方式，可以建模并标出序列的关系，但是无法动态表征。

  BERT模块主要进行“表示”作用，抽取丰富的文本特征，得到batch_size*max_seq_len*emb_size的输出向量。为了更好的学习上下文特征，加入BERT语言预处理模型，以Transformer结构为核心，进行一词多义并获取词的上下文信息，获取到高质量动态词向量。

  图1整体流程可知，通过分词器已经将句子x分割为a~e五个字，将其作为输入传给模型中BERT模块做训练处理，得到的输出向量作为模型中的BiLSTM模块的输入，进行特征提取，得到输出向量，将这五个向量作为输入，进入模型中的CRF层进行解码，计算最优的标注序列，至此已经能够有效地提高人名识别的准确率了。

【2】融入指代消解算法，根据指代词找出符合要求的子串/短语

  该部分将在《一种融合指代消解序列标注方法在中文人名识别上的应用（下）》重点阐述。

【3】融入的指代消解算法，比加入外部语料和字符级特征更通用有效

  该部分将在《一种融合指代消解序列标注方法在中文人名识别上的应用（下）》重点阐述。

该算法未来将拓展至机构名、地名以及其他所有以名称为标识的实体，能更好的服务于京东小程序客户体验中的寄收件地址的文本识别中，提高相关识别的准确率。