crf与lstm+crf的简单对比

  很早以前就使用crf做过命名实体识别，前一阵子又使用lstm+crf做了命名实体识别这个任务。现在有时间补一个笔记，记一下使用中的一些感受和想法。
1）crf这个算法用来做命名实体识别比较容易达到不错的效果。使用2/3的人民日报的数据(免费的那两个月的数据)，不加任何特征，只使用字的信息，F1也可以跑到0.85左右。结果见下图（使用CRF++5.4版本 ，结果在测试集上计算）。

2）lsmt+crf这种方法中，我认为起主要作用的还是crf，lsmt起的作用就是计算crf中的发射矩阵，矩阵中的每个值表示了当前字符有多大的概率是哪个字符，但显然直接依靠这个信息判断会丢失标签的前后文信息，因些还是要加上crf的状态转移层。下图是与上图使用相同数据跑的一个结果，跑了100个epoch,在第95个epoch上取到了最优结果。

3）从以上两个结果可以看出，此对比实验下，lstm+crf没单独使用crf效果好。但此实验显然对lstm+crf不公平，有以下两点原因：

• 使用的数据集偏小，即使我以前只使用crf做命名实体时也不会使用这么小的数据集，因些对于需要大量样本的深度学习而言，样本略少。
• crf的模板是我用了一段时间细心编写的，加入了我好多的人为经验，而lstm我只是跑了这个算法，参数调优都没有去做（crf我也用的默认的）。

4）从实验结果我们看出lstm对于特征抽取还是有一定的效果，在不使用模板的情况下，lstm+crf也能完成命名实体的抽取。这个工作的主要意义在于：有些工作我们是很难发现或总结先验知识的，也就是很难通过人工来编写模板，这时，lstm可以帮助我们自动的抽取特征
5）其实单纯使用crf做中文命名实体识别，多做做特征，F1也能达到0.93，这一值与英文的sota结果差不多，完全能满足大多数的应用要求。所以，如果没有大量资源，不必要追求必须使用深度学习来做ner。
6）对于精益求精的同学，可以试试加入elmo、bert词向量的方式，我使用elmo的词向量跑了一版英文的，F1可以轻易达到0.9。