命名实体标注基于keras的BiLstm与CRF与算法封装

基本概述

众所周知，通过Bilstm已经可以实现分词或命名实体标注了，同样地单独的CRF也可以很好的实现。既然LSTM都已经可以预测了，为啥要搞一个LSTM+CRF的hybrid model? 因为单独LSTM预测出来的标注可能会出现（I-Organization->I-Person,B-Organization ->I-Person）这样的问题序列。

但这种错误在CRF中是不存在的，因为CRF的特征函数的存在就是为了对输入序列观察、学习各种特征，这些特征就是在限定窗口size下的各种词之间的关系。

将CRF接在LSTM网络的输出结果后，让LSTM负责在CRF的特征限定下，依照新的loss function，学习出新的模型

基于字的模型标注：

假定我们使用Bakeoff-3评测中所采用的的BIO标注集，即B-PER、I-PER代表人名首字、人名非首字，B-ORG、I-ORG代表组织机构名首字、组织机构名非首字，O代表该字不属于命名实体的一部分

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

加入CRF layer对LSTM网络输出结果的影响
为直观的看到加入后的区别我们可以借用网络中的图来表示：其中x表示输入的句子，包含5个字分别用w1,w2,w3,w4,w5表示

没有CRF layer的网络示意图

含有CRF layer的网络输出示意图
上图可以看到在没有CRF layer的情况下出现了 B-Person->I-Person 的序列，而在有CRF layer层的网络中，我们将 LSTM 的输出再次送入CRF layer中计算新的结果。而在CRF layer中会加入一些限制，以排除可能会出现上文所提及的不合法的情况

CRF loss function

完成随时函数请参考：https://createmomo.github.io/2017/11/11/CRF-Layer-on-the-Top-of-BiLSTM-5/
CRF loss function 如下：
$LossFunction=\frac{P_{RealPath}}{P_1+P_2+\dots +P_N}$

代码实现（keras版本）

1、搭建模型与编译
使用2.1.4版本的keras，在keras版本里面已经包含bilstm模型，但crf的loss function还没有，不过可以从keras contribute中获得，具体可参看：https://github.com/keras-team/keras-contrib（注意安装过程中一定要配置anaconda的环境变量）

构建网络模型与编译代码如下：

def create_model(train=True):
    if train:
        (train_x, train_y), (test_x, test_y), (vocab, chunk_tags) = load_data()
    else:
        with open('model/config.pkl', 'rb') as inp:
            (vocab, chunk_tags) = pickle.load(inp)
    model = Sequential()
    model.add(Embedding(len(vocab), EMBED_DIM, mask_zero=True))  # Random embedding
    model.add(Bidirectional(LSTM(BiRNN_UNITS // 2, return_sequences=True)))
    crf = CRF(len(chunk_tags), sparse_target=True)
    model.add(crf)
    model.summary()
    model.compile('adam', loss=crf.loss_function, metrics=[crf.accuracy])
    if train:
        return model, (train_x, train_y), (test_x, test_y)
    else:
        return model, (vocab, chunk_tags)

2、清洗数据
清晰数据是最麻烦的一步，首先我们采用网上开源的语料库作为训练和测试数据。语料库中已经做好了标记，其格式如下：

月 O
油 O
印 O
的 O
《 O
北 B-LOC
京 I-LOC
文 O
物 O
保 O
存 O
保 O
管 O

语料库中对每一个字分别进行标记，比较包括如下几种：

‘O’, ‘B-PER’, ‘I-PER’, ‘B-LOC’, ‘I-LOC’, “B-ORG”, “I-ORG”
分别表示，其他，人名第一个，人名非第一个，位置第一个，位置非第一个，组织第一个，非组织第一个

  train = _parse_data(open('data/train_data.data', 'rb'))
    test = _parse_data(open('data/test_data.data', 'rb'))

    word_counts = Counter(row[0].lower() for sample in train for row in sample)
    vocab = [w for w, f in iter(word_counts.items()) if f >= 2]
    chunk_tags = ['O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"]

    # save initial config data
    with open('model/config.pkl', 'wb') as outp:
        pickle.dump((vocab, chunk_tags), outp)

    train = _process_data(train, vocab, chunk_tags)
    test = _process_data(test, vocab, chunk_tags)
    return train, test, (vocab, chunk_tags)

3、训练数据
在处理好数据后可以训练数据，本文中将batch-size=16获得较为高的accuracy（99%左右），进行了10个epoch的训练。

import bilsm_crf_model

EPOCHS = 10
model, (train_x, train_y), (test_x, test_y) = bilsm_crf_model.create_model()
# train model
model.fit(train_x, train_y,batch_size=16,epochs=EPOCHS, validation_data=[test_x, test_y])
model.save('model/crf.h5')

4、验证数据
import bilsm_crf_model
import process_data
import numpy as np

model, (vocab, chunk_tags) = bilsm_crf_model.create_model(train=False)
predict_text = ‘中华人民共和国国务院总理周恩来在外交部长陈毅的陪同下，连续访问了埃塞俄比亚等非洲10国以及阿尔巴尼亚’
str, length = process_data.process_data(predict_text, vocab)
model.load_weights(‘model/crf.h5’)
raw = model.predict(str)[0][-length:]
result = [np.argmax(row) for row in raw]
result_tags = [chunk_tags[i] for i in result]

per, loc, org = ‘’, ‘’, ‘’

for s, t in zip(predict_text, result_tags):
if t in (‘B-PER’, ‘I-PER’):
per += ’ ’ + s if (t == ‘B-PER’) else s
if t in (‘B-ORG’, ‘I-ORG’):
org += ’ ’ + s if (t == ‘B-ORG’) else s
if t in (‘B-LOC’, ‘I-LOC’):
loc += ’ ’ + s if (t == ‘B-LOC’) else s

print([‘person:’ + per, ‘location:’ + loc, ‘organzation:’ + org])
输出结果如下：

[‘person: 周恩来 陈毅, 王东’, ‘location: 埃塞俄比亚 非洲 阿尔巴尼亚’, ‘organzation: 中华人民共和国国务院 外交部’]
参考连接：https://github.com/stephen-v/zh-NER-keras

完整代码：

import numpy
from collections import Counter
from keras.preprocessing.sequence import pad_sequences
import pickle
import platform


def load_data():
    train = _parse_data(open('train_data.data', 'rb'))
    test = _parse_data(open('test_data.data', 'rb'))

    word_counts = Counter(row[0].lower() for sample in train for row in sample)
    vocab = [w for w, f in iter(word_counts.items()) if f >= 2]
    chunk_tags = ['O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"]

    # save initial config data
    with open('config.pkl', 'wb') as outp:
        pickle.dump((vocab, chunk_tags), outp)

    train = _process_data(train, vocab, chunk_tags)
    test = _process_data(test, vocab, chunk_tags)
    return train, test, (vocab, chunk_tags)

def _parse_data(fh):
    #  in windows the new line is '\r\n\r\n' the space is '\r\n' . so if you use windows system,
    #  you have to use recorsponding instructions

    if platform.system() == 'Windows':
        # split_text = '\r\n'    #linux
        split_text = '\n'      #windows
    else:
        split_text = '\n'

    string = fh.read().decode('utf-8')
    data = [[row.split() for row in sample.split(split_text)] for
            sample in
            string.strip().split(split_text + split_text)]
    fh.close()
    return data

def _process_data(data, vocab, chunk_tags, maxlen=None, onehot=False):
    if maxlen is None:
        maxlen = max(len(s) for s in data)
    word2idx = dict((w, i) for i, w in enumerate(vocab))
    x = [[word2idx.get(w[0].lower(), 1) for w in s] for s in data]  # set to  (index 1) if not in vocab

    y_chunk = [[chunk_tags.index(w[1]) for w in s] for s in data]

    x = pad_sequences(x, maxlen)  # left padding

    y_chunk = pad_sequences(y_chunk, maxlen, value=-1)

    if onehot:
        y_chunk = numpy.eye(len(chunk_tags), dtype='float32')[y_chunk]
    else:
        y_chunk = numpy.expand_dims(y_chunk, 2)
    return x, y_chunk


def process_data(data, vocab, maxlen=100):
    word2idx = dict((w, i) for i, w in enumerate(vocab))
    x = [word2idx.get(w[0].lower(), 1) for w in data]
    length = len(x)
    x = pad_sequences([x], maxlen)  # left padding
    return x, length



from keras.models import Sequential
from keras.layers import Embedding, Bidirectional, LSTM
from keras_contrib.layers import CRF

import pickle

EMBED_DIM = 200
BiRNN_UNITS = 200


def create_model(train=True):
    if train:
        (train_x, train_y), (test_x, test_y), (vocab, chunk_tags) = load_data()
    else:
        with open('model/config.pkl', 'rb') as inp:
            (vocab, chunk_tags) = pickle.load(inp)
    model = Sequential()
    model.add(Embedding(len(vocab), EMBED_DIM, mask_zero=True))  # Random embedding
    model.add(Bidirectional(LSTM(BiRNN_UNITS // 2, return_sequences=True)))
    crf = CRF(len(chunk_tags), sparse_target=True)
    model.add(crf)
    model.summary()
    model.compile('adam', loss=crf.loss_function, metrics=[crf.accuracy])
    if train:
        return model, (train_x, train_y), (test_x, test_y)
    else:
        return model, (vocab, chunk_tags)


if __name__=="__main__":
    EPOCHS = 10
    model, (train_x, train_y), (test_x, test_y) = create_model()
    # train model
    model.fit(train_x, train_y,batch_size=16,epochs=EPOCHS, validation_data=[test_x, test_y])
    model.save('model/crf.h5')

预测代码：

import numpy as np

model, (vocab, chunk_tags) = bilsm_crf_model.create_model(train=False)
predict_text = '中华人民共和国国务院总理周恩来在外交部长陈毅的陪同下，连续访问了埃塞俄比亚等非洲10国以及阿尔巴尼亚'
str, length = process_data.process_data(predict_text, vocab)
model.load_weights('model/crf.h5')
raw = model.predict(str)[0][-length:]
result = [np.argmax(row) for row in raw]
result_tags = [chunk_tags[i] for i in result]

per, loc, org = '', '', ''

for s, t in zip(predict_text, result_tags):
    if t in ('B-PER', 'I-PER'):
        per += ' ' + s if (t == 'B-PER') else s
    if t in ('B-ORG', 'I-ORG'):
        org += ' ' + s if (t == 'B-ORG') else s
    if t in ('B-LOC', 'I-LOC'):
        loc += ' ' + s if (t == 'B-LOC') else s

print(['person:' + per, 'location:' + loc, 'organzation:' + org])

可能出现的错误：
("‘Tensor’ object has no attribute ‘assign’",)。将process_data.py文件中的_parse_data函数windows平台下的分隔符也改为’\n’即可

参数解读

Batch_size：
定义：一次性读入多少批量的图片，不是样本。
Full Batch Learning：Batch_size=数据集大小，适用于小数据集。
Mini-batches Learning：Batch_size= N（自己设定），适用于大数据集。
Online Learning（在线学习）：Batch_size=1，
如何选择Batch_size？
A：一定范围内增大Batch_size：
1、 提高了内存的利用率，大矩阵乘法的并行化效率提高
2、 跑完一次epoch所需要的迭代次数减少，相同数据量的数据处理速度加快。
3、 Batch_size越大下降方向越准，引起的训练震荡越小。
4、 缺点：内存溢出、训练时间增加、收敛缓慢、局部最优，泛化性差
B：Batch_size过小：修正方向以各自样本的梯度方向修正难以达到收敛。
总结：
首先根据显存大小选择Batch_size；其次根据自己的实际情况调整Batch_size，调参重在“调”，根据实际情况选择合适的参数。设置好Batch_size后，每一次epoch记得shuffle一次，不要让网络通过相同的minibach。

内存报错方面

楼主在pyCharm上搭建深度神经网络做图像生成时， 运行代码， 报错：

Process finished with exit code -1073740791 (0xC0000409)

原因：显卡内存不足！

解决办法：将训练数据分成数量较小的batch

参考文献：
http://www.cnblogs.com/lookfor404/p/9189429.html

关于算法封装参考：https://mp.weixin.qq.com/s/KBUoek-5TWQ3BklnsEx4nQ