Named Entity Recognition with Partially Annotated Training Data（ACL2019）

1. Introduction

在一些语料资源匮乏的语种中，可用的数据可能只是部分标注的（部分NE正确标注，部分NE被标注为O），如下图所示：

其中标签为NE的token可视为positive instance，标签为O的的token被视为negtive instance，被错分为O的NE就称为False Negative。本文提出了一种基于约束驱动的迭代算法（constraint-driven iterative algorithm）来学习发现噪声数据中的Negative False样例并降低他们的权重，从而降低噪声在训练时对NER模型的影响。

2. Content

2.1 Constrained Binary Learning

本文提出的方法称为CBL，与之相似的已有工作为CoDL：Constraint Driven Learning（Chang et al, 2007）。该方法的目的是对所有标记为O的tokens赋予一个权重，false negative的具有较低（接近0）的权重，而其它O则具有较高的权重（接近1）。

解决训练样本中带有噪声的方法一般有两种：
（1）找到false negative样例并更正他们的标签。
（2）找到false negative样例并剔除他们。
本文采用了第（2）种方法，这是由于O标签的token在训练数据集中占据多数，即使错误地剔除一部分O也不会造成明显负面影响。

CBL分为两个阶段：
（1）模仿CoDL，采用约束循环算法训练一个二元分类器$\lambda$，训练流程是一个train-predict-infer循环，如下所示：

（2）使用训练好的二元分类器$\lambda$对每个样例赋予权重，公式如下：

$$v_i=\{\begin{array}{ll}1.0& if{x}_i\in P\\ P_{\lambda }(y_i=O|x_i)& if{x}_i\in N\end{array}$$

2.2 NER with CBL

本文的一个贡献是上述流程的inference step（第6行），使用了Integer Linear Program（ILP），其中约束是基于实体比例b（entity ratio），公式为：
$$b=\frac{|P|}{|P|+|N|}$$
已有工作显示，在fully-annotated数据集中实体率一般为$0.09\pm 0.05$。

对于带权重的训练集，实体率可用如下公式计算：
$$b=\frac{|P|}{|P|+{\sum }_{i\in N}{v}_i}$$
还可以通过乘于一个$\gamma$因子来修改实体率，公式如下：
$$b^{\ast }=\frac{|P|}{|P|+\gamma {\sum }_{i\in N}{v}_i}$$
可计算$\gamma$为：
$$\gamma =\frac{(1-b^{\ast })|P|}{b^{\ast }{\sum }_{i\in N}{v}_i}$$
为了获得目标实体率$b^{\ast }$，我们可以将$N$中样例权重乘于放缩因子$\gamma$，得到：
$$v^{\ast }=\gamma v_i$$

2.3 Constraints and Stopping Condition

约束条件ILP如下图所示：

等式（8）中$y_{0i}$和$y_{1i}$分别表示token $i$对应的是negative还是positive标签。$C_{0i}$和$C_{1i}$根据二元分类器$\lambda$的最后一次预测分数得到。$\delta$表示允许较小的软间隔，$\xi \ge 0.99$。

2.4 NER Models

NER模型使用了以下两种：
（1）非神经网络模型：Cogcomp NER(Ratinov and Roth, 2009; Khashabi et al., 2018)，使用了Ratinov and D. Roth. 2009. Design challenges and misconceptions in named entity recognition中的特征，更改了权重更新公式：
$$\text{w}=\text{w}+\alpha v_i{y}_i({\text{w}}^T{x}_i)$$
（2）神经网络模型：基于BiLSTM-CRF，为了将权重加入到CRF训练中，参考了Zhanming Jie, et al. 2019. Better modeling of incomplete annotations for named entity recognition的方法，公式如下：

3. Datasets

使用了如下8中语言的数据集，并根据以下两种人工扰动（Artificial Perturbation）策略模拟噪声：
（1）降低recall，通过将某些实体全部替换成O得到，直到得到满足要求的recall；
（2）降低precision，在随机的起始位置并且选择随机1-3的长度作为一个NE，直到得到满足要求precision。

4. Summary

本文提出了一种基于约束驱动的迭代算法CBL对部分标注数据赋予权重，以降低错误分类的Negative False样例在训练NER模型时的影响。