实战_瑞金医院MMC知识图谱大赛初赛

1. 说明

 《瑞金医院MMC人工智能辅助构建知识图谱大赛》是一个天池的自然语言处理相关的比赛，初赛是命名实体识别（Named Entity Recognition，简称NER）。具体说，就是从医学文档里标注出药名，疾病，病因，临床表现，检查方法等十二种实体的类别和位置。这是一个有监督学习，它的训练集是标注好的医学文档。

 还是延续以往比赛的思路，找一个类似的简单项目，在其上修修改改，于是找到了 "参考1" 中的例程，它是一个在中文文本中标注地名，人名，组织名的程序，使用工具是tensorflow，算法是BiLSTM-CRF。

 花了不到两天的时间，混进了复赛，虽说是在别人的代码上修修改改，但也不失为一个NLP相关的深度学习入门，顺便熟悉一下如何使用tensorflow。我做的工作很简单：参考代码2000多行，修改了不到200行，主要就是把那套代码对这个项目做一个适配，没啥可说的，本文主要梳理了深度学习如何应用于自然语言处理，算法原理，以及Tensorflow的一些用法。

2. 深度学习能解决自然语言处理中的哪些问题

 前一阵被BERT刷屏了，它是谷歌AI团队新发布新模型，传说在机器阅读理解顶级水平测试中狂破11项纪录，全面超越人类，测试主要来自QLUE和SquAD，它们包括：

MNLI：判断两个句子间是继承，反驳，关系。
QQP：两个问句的类似程度。
QNLI：问答系统，区分问题的正确答案和同一段中的其它描述。
SST-2：电影评论的感情色彩标注。
CoLA：判断语法是否正确。
STS-B：语义相似度打分（1-5级）
MRPC：两句语义是否等价。
RTE：识别继承关系，和MNLI差不多，但数据集比较小。
SquAD：阅读理解，在段落中找答案。

 看起来，只要有标注好的训练集数据，上述的各种关系都可以被预测，但是具体这些文字，又怎么代入模型呢？往下看…

3. 命名实体识别的BIO标注集

 BIO标注将每个元素标注为“B-X”、“I-X”或者“O”。其中，“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头，“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置，“O”表示不属于任何类型。形如：

本 O 课 O 题 O 组 O 前 O 期 O 研 O 究 O 及 O 相 O 关 O 研 O 究 O 结 O 果 O 已 O 经 O 明 O 确 O 1 B-Anatomy 1 I-Anatomy β I-Anatomy - I-Anatomy H I-Anatomy S I-Anatomy D I-Anatomy 1 I-Anatomy 作 O 为 O 公 O 认 O 的 O 肥 B-Disease 胖 I-Disease 相 O 关 O 基 O 因 O

 本例中借鉴的工具使用了BIO标注集，因此，把赛题数据置换成了BIO格式，以便代入，可以看到，具体方法是以字为单位的标注（以词为单位，可能在分词的过程中引入一些误差，我也没尝试）。转换之后更容易看出，它是一个词序列的关系问题。

4. 命名实体识别的具体方法

 BiLSTM-CRF是近两年业界比较流行的解决命名实体识别的方法，本题使用的也是这个方法，本题的解法可以分为三个步骤：第一，将文字向量化（Word embedding）；第二，计算上下文之间的关系（Bi-LSTM）；第三，句子级的序列标注（CRF）。

 我借鉴的代码位置在https://github.com/Determined22/zh-NER-TF, 功能是标注出文字中的人名，地名，组织名。模型相关的代码在 model.py，我觉得特别核心的100行不到，建议一边看代码一边看以下说明，不妨在其中打印一些信息，追踪一下它的运行流程。

(1) Word Embedding

 Word Embedding词嵌入向量是NLP里一个重要的概念,我们利用它将一个词转换成固定长度的向量表示，从而便于进行数学处理。比如一篇文章里有1000个词，如果做one hot提取特取，则需要新增1000个特征，而像got与get会被识别为不同的词，如果使用Word Embedding，则可能将一些同义词提取为一个特征，从而实现降维和抽象的效果，具体实现方法是用上下文预测当前词，也可以理解为在神经网络上实现word2vec，详见参考二。

 总之，可以把该层更解为对把词置换为词向量，本例中映射前支持的中文字符有3000多个，降维的目标是300维，而每一维中的特征值是从3000映射到300后的概率分布，即可能性（有点像PCA降维）。从代码中可以看到，用tensorflow降维就几行代码，确实很方便（见代码中的model.py:lookup_layer_op）。

(2) Bi-LSTM

 LSTM（Long Short-Term Memory）长短期记忆网络，是RNN（时间递归神经网络）的一种，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。 Bi-LSTM即双向LSTM，本例中使用TensorFlow提供的LSTMCell类建立了正向和反向各一个LSTM，用bidirectional_dynamic_rnn() 结合成一个双向RNN（见代码中的model.py: biLSTM_layer_op）

 这一步，计算的是上下文之间的关系，谁更可能出现在前面，谁更可能出现在谁后面，还没真正标注。

(3) CRF

 CRF是条件随机场，是在给定随机变量X的条件下，随机变量Y的马尔可夫随机场，这里使用的线性链条件随机场，在条件概率模型P(Y|X)中，Y是输出变量，表示标记序列（状态序列），X是输入变量，表示需要标注的观测序列，用最大似然估计计算条件概率模型P ^(Y|X)，预测时，对于给定的输入序列，求出条件概率P ^(y|x)最大的输出序列y ^（可能性最大的标注序列），详见代码中的tf.contrib.crf.crf_log_likelihood()。

 要了解CRF的原理，先要了解马尔可夫链，以及很多基础知识（虽然很有趣，但需要花很多时间），但在程序里调用它很容易，几行代码就够了，一开始了解它怎么用就够了。

5. TensorFlow

 C++相对于 C，Python相对于Java，TensorFlow相对于之前的程序架构，它们不只是语法不同，更多的是程序的组织方式，和思考方法不同。

 Tensorflow是基于图（Graph）的计算系统。而图的节点则是由操作（Operation）来构成的，而图的各个节点之间则是由张量（Tensor）作为边来连接在一起的。所以Tensorflow的计算过程就是一个Tensor流图。Tensorflow的图则是必须在一个Session中来计算。

 这样讲还是很抽象，简单地说，假设在程序中定义了三个函数（Operation）: a,b,c，普通程序会顺序地调用a,b,c，而Tensorflow是指定a,b,c之间的依赖关系（Tensor），比如c依赖b的结果，b又依赖a的结果，运行时，使用Session.run()，只要告诉它，我最终需要c，程序自己找到它依赖的b，以及a来运行，通过数据流向把握整个过程，有点像Luigi的工作模式。具体请见"参考7"。

6. 参考

(1) DL4NLP —— 序列标注：BiLSTM-CRF模型做基于字的中文命名实体识别
https://www.cnblogs.com/Determined22/p/7238342.html

(2) 浅谈词嵌入（word embedding）
https://blog.csdn.net/puredreammer/article/details/78330821

(3) 神经网络中embedding层作用
https://www.cnblogs.com/bonelee/p/7904495.html

(4) tensorflow学习笔记--embedding_lookup()用法
https://blog.csdn.net/u013041398/article/details/60955847

(5) tensorflow笔记3：CRF函数：tf.contrib.crf.crf_log_likelihood()
https://www.cnblogs.com/lovychen/p/8490397.html

(6) [学习笔记] TensorFlow 入门之基本使用
https://www.cnblogs.com/flyu6/p/5555161.html

(7) Tensorflow学习笔记2：About Session, Graph, Operation and Tensor
https://www.cnblogs.com/lienhua34/p/5998853.html