NLP系列1：NER

写在前面：在初学nlp时的第一个任务——NER，尝试了几种方法，cnn+crf、lstm+crf、bert+lstm+crf，毫无疑问，最后结果时Bert下效果最好。

1、关于NER：

　　NER即命名实体识别是信息提取的一个子任务，但究其本质就是序列标注任务。

　　eg：

　　sentence：壹 　　叁　   去 参加一个 NER      交         流         会  

　　tag:　　　B_PER I_PER O O O O O B_ORG I_ORG I_ORG I_ORG

　　(咱们暂且认为这个实体标记是正确的)

　　按照CoNLL2003任务中，LOC-地名、PER-人名、ORG-机构名、MISC-其他实体，其他此被标记为O，B代表实体名的开始位置，I代表实体名的中间位置。（在具体任务中标记不一，按照自己的任务中进行标记即可）

　　NER是一个基础问题，不会不行，但是也是一个非常重要的问题，下面将按照实现过程中碰到的问题依次进行阐述(小白，如有错误，请疯狂留言喷我，一定改正)。首先的明白NER是一个分类任务，也叫序列标注，其实就是对文本的不同实体标记上对应的标签。

方法主要如下：

• 基于规则：按照语义学的先验定义规则，由于语言的复杂性，这个方法很难制定出良好的规则；
• 基于统计学：统计学就是根据大量文本，在其中找到规律，代表作有HMM、CRF；
• 神经网络：神经网络的大放异彩在各个领域都点亮了一片天空，当然不会遗忘，其中在NER方面主要有CNN+CRF、LSTM+CRF。

2、老婆孩子热炕头

1. 分词

　　分词工具主要采用了jieba分词，在结巴原始词库的基础上加载自定义词典，方法参考参考

　　　　import jieba
　　　　jieba.load_userdict('..\data\\result_SVM_to_jiaba.txt')
　　　　import jieba.posseg as pseg

　　jieba支持三种分词模式：

• 精准模式：试图将句子最精确的切分，适合文本分析；
• 全模式：把句子中所有的词都扫描出来，速度快，但是不支持歧义；
• 搜索引擎模式：在精准模式的基础上，在对长词进行切分，提高召回率，适用于搜索引擎分词。

　　jieba对中文的支持还是很好的，当然现在还有很多中文方面的工具：jiagu、等等。

　　2.实体标记

　　假设我们的任务是从0开始的，没有开源数据集，在做的时候先对实体词进行摘取（eg:python开发工程师、全栈开发等等），作为自己的实体词库，并加载到jieba中进行分词库中，对数据进行分词，分词后按照我们抽取的实体词进行标记(eg:B_PER\I_PER\B_LOC\I_LOC...)。在这儿我们已经有了NER的老婆(标记好的数据)。

　　3.一号儿子（CNN+CRF）　[paper]

　　　论文名字：Convolutional Neural Network Based Semantic Tagging with Entity Embeddings

• 词嵌入：Word2Vec

　　　Word2Vec是一种有效的神经网络模型，该模型采用非结构化的文本并学习每个单词的嵌入特性，这些嵌入特性捕获了语法和语义的不同关系，有趣的是可以进行线性线性操作，eg: man + woman ~= queen.

　　值得提出的是Word2Vec工具主要包含两个模型，分别是skip-gram(跳字模型)和CBOW(连续词袋模型)，以及两种高效的训练方法negative sampling和softmax。word2vec就是将词转换为向量，这个向量就可以认为是词的特征向量，词是nlp中最细粒度的，词组成句子，句子组成段落、篇章...。我们将词的向量表示出来，那么更粗粒度的表示也可表示出来。

　　

　　注意：在CBOW模型中，我们最后得到的词向量实际上权重矩阵，我们并不关心最后的输出是什么，我们输入层是词的onehot编码，V是我们最后学习到的向量维度大小，C为我们词的上下文个数，学习目标就是让我们预测的中间词和onehot的label越小越好，这样权重矩阵就是我们最终所需的。

　　skip-gram和CBOW类似，只不过是反过来用当前词预测上下文。

　　

　　【计算方式可参考论文里，这里打公式太麻烦了，有大佬知道有啥插件或者啥啥能方便快捷的打出来求告知一下。】

• 关系约束模型(RTM)：

　　利用一个词的其他相关词来进行预测这个词的向量，利用单词之间synonymous 或者 paraphrase构建知识库。将这个先验当作编码，再对Word2Vec中删除上下文作为目标函数来学习嵌入。原论文公式（3）。

　　

• 联合模型

　　就是将Word2Vec和RTM联合起来，

　　

• CNN+CRF

　　命名实体识别由于有长距离依赖问题，大部分都用rnn家族模型，尽可能记住长序列的信息来对句子进行标注。但是RNN家族在GPU的利用上不如CNN，RNN无法做到并行。CNN的优势在于可以并行速度快，但是随着卷积层的增加，最后只得到原始信息的一小块，这就不利于句子的序列标注。当然后来也有人提出IDCNN(膨胀卷积)，暂不讨论。而本论文中的CNN是一个基本的CNN，就不在赘述，论文主要针对不同的嵌入向量学习在模型下的F-score做了对比，结果如下：

　　

　　4.儿子二号（LSTM+CRF）

　　5.儿子三号（CNN+LSTM+CRF）

　　上面这两也没啥说的了，就是换了个模型。LSTM和CNN相信大家都很熟悉，只需要针对自己的问题设置合理的结构就行。LSTM一般都用双向的LSTM。后期再补充一个CRF内容。

才疏学浅，如有错误，请不吝赐教！