通俗易懂的BiLSTM-CRF，用命名实体识别任务来解释CRF(一)

0 导读

看了很多的CRF的介绍和讲解，这个感觉是最清楚的，结合实际的应用场景，让你了解的用处和用法。

预备知识

你需要知道的唯一的事情是什么是命名实体识别，如果你不知道神经网络，CRF或任何其他知识，请不要担心，后面会做直观解释。

1.介绍

对于命名实体识别任务，基于神经网络的方法非常普遍。例如，这篇文章https://arxiv.org/abs/1603.01360提出了使用一个使用词和字嵌入的BiLSTM-CRF命名实体识别模型。下文将以本文中的模型为例来解释CRF是如何工作的。
如果你不知道BiLSTM和CRF的细节，请记住它们是命名实体识别中的两个不同层。

1.1 开始之前

我们假设，我们有一个数据集，其中有两个实体类型，Person和Organization。但是，事实上，在我们的数据集上，我们有5个标签：

• B-Person
• I-Person
• B-Organization
• I-Organization
• O

此外，x是包含5个单词的句子，w0,w1,w2,w3,w4。更重要的是，在句子x中，{w0,w1}是一个Person实体，[w3]是一个Organization实体，其他都是“O”。

1.2 BiLSTM-CRF模型

下文将对这个模型西做一个简单介绍。
如下图所示：

• 首先，将句子x中的每个单词表示为一个向量，其中包括单词的嵌入和字符的嵌入。字符嵌入式随机初始化的。词嵌入通常是一个预训练的词嵌入文件导入的。所有的嵌入将在训练过程中进行微调。
• 其次，BiLSTM-CRF模型的输入是这些嵌入，输出是句子x中的单词的预测标签。
  -
  虽然不需要知道BiLSTM层的细节，但是为了更容易的理解CRF层，我们需要知道BiLSTM层输出的意义是什么。
  
  上图说明BiLSTM层的输出是每个标签的分数，例如，对于w0，BiLSTM节点的输出为1.5（B-Person）、0.9（I-Person）、0.1（B-Organization）、0.08（I-Organization）和0.05（O），这些分数将作为CRF层的输入。
  然后，将BiLSTM层预测的所有分数输入CRF层，在CRF层中，选择预测得分最高的标签序列作为最佳答案。

1.3 如果没有CRF层会怎么样

你可能已经发现，即使没有CRF层，也就是说，我们可以训练一个BiLSTM命名实体识别模型，如下图所示：

因为每个单词的BiLSTM输出是标签的分数，我们可以选择每个单词得分最高的标签。
例如，对于w0，“B-Person”得分最高(1.5)，因此我们可以选择“B-Person”作为其最佳预测标签。同样，我们可以为w1选择“I-Person”，为w2选择“O”，为w3选择“B-Organization”。为w4选择“O”。
虽然在这个例子中我们可以得到正确的句子x的标签，但是并不总是这样，再试一下下图图片中的例子。

显然这次的输出是无效的，“I-ORganization I-Person”和“B-Organization I-Person”。

1.4 CRF层可以训练数据中学习约束

CRF层可以向最终的预测标签添加一些约束，以确保它们是有效的。这些约束可以由CRF层再训练过程中从训练数据集自动学习。
约束条件可以是：

• 句子中第一和单词的标签应该以“B-”或“O”开头，而不是“I-”
• “N-label I-label2 I-label 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，有效模式应该是“O B-label”
• …

有了这些有用的约束，无效预测标签序列的数量将显著减少。

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emission分数。这些emission分数来自BiLSTM。例如，如下图所示，标记为B-Person的w0的分数为1.5。

为方便起见，我们将给每一个标签一个索引号，如下图所示。

我们用$x_{i{y}_i}$来表示emission分数。i是word的索引，$y_i$是label的索引。如上图所示，$x_{i=1,y=2}=x_{w_{1,B-Organization}}=0.1,=1$，即w1作为B-Oraganization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 —>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。
为了是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代表一个句子的结尾。
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 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
  

2.4 实际路径得分

2.5所有可能的路径的得分

步骤2: 回忆一下Emission和Transition得分

参考链接

原文链接：1，2