End to End Sequence Labeling via Bidirectional LSTM-CNNs-CRF论文

论文地址：End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF

摘要

传统改机的序列标注系统，需要大量的针对特定任务的手工特征和经过预处理的数据。在这篇文章中，作者引入了一种创新的神经网络结果，使用Bi-LSTM、CNN和CRF相结合的网络结果，使模型能够从词和字级别表示中学习和收益。作者指出他们的系统是真正意义上的端到端结果，不需要任何特征工程或者数据预处理工作，因此可以广泛应用于各种序列标注任务。该模型在PennTreebank WSJ词性标注任务和CoNLL 2003 词性标注数据集上取得优异的成绩，前者97.55%的准确率，后者取得91.21%的F1值。

简介

• 传统序列标注模型存在的问题：

1. 大多数基于线性的统计语言模型
2. 基于大量的人工特征
3. 需要大量的外部数据，比如名称库
4. 普适性差

• 近几年的序列标注模型：
  尽管这些使用一些分布式表示，例如词嵌入作为输入，但是仅仅是为了增加手工特征而不是替换它；另一方面，如果这些模型完全依赖于神经嵌入，那么性能下降非常快
• 本文贡献
  (i) proposing a novel neural network architecture for linguistic sequence labeling.
  (ii) giving empirical evaluations of this model on benchmark data sets for two classic NLP tasks.
  (iii) achieving state-of-the-art performance with this truly end-to-end system.

神经网络结构

• 第一步：CNN获取Character-level 的词表示

  
  
  
  
  

  在这里，CNN的优点是可以高效地学习形态学特征，比如单词的前缀或者后缀、大小写等

• 第二步：Bi-directional LSTM
  将第一步获得的单词表示和训练好的词向量结合起来，作为Bi-directional LSTM的输入，得到每个状态的表示。注意，BLSTM的输入和输出都过了Dropout层

• 第三步：CRF
  将Bi-LSTM的输出向量作为CRF层的输入，最终预测出序列

  
  
  

训练

参数以及实验部分请参考论文，这里不详细解释了。最终的结果当然很棒了

总结

其实这篇论文是2016年ACL的论文，自己现在看实在太晚了，但是总结自己以前看的论文，感觉这篇文章基本上提出了一个base model，BiLSTM-CNN-CRF，以后会经常看到文章都是基于这种结果衍生的。最后自己找了一个基于Pytorch的开源代码，有详细的实现过程。 End-to-end-Sequence-Labeling-via-Bi-directional-LSTM-CNNs-CRF-Tutorial