[论文解读]EMNLP2019: A Boundary-aware Neural Model for Nested NER

• EMNLP2019: A Boundary-aware Neural Model for Nested Named Entity Recognition
• 论文链接: https://www.aclweb.org/anthology/D19-1034.pdf
• 论文代码: https://github.com/thecharm/boundary-aware-nested-ner

简介

Motivation

在 NER 任务中，有一类特殊的 nested entity, 即两个不同的实体相互嵌套，如Figure1中的 protein 实体 和 RNA 实体。在这种情况下，同一个 token (例如图中的 “1” )， 就会具备不同的实体标签。

传统方法会通过人工提供特征来解决这里问题，但却受限于特征工程的繁重工作。在今年的方法中，有两类方法解决nested NER问题:

• Layered Sequence Labeling model: 通过层级的序列标注，先识别内层的实体，然后基于此通过下一层的序列标注来识别外层的实体；然而这一方法的受限于错误传递；
• Region Classification Model: 发现序列中所有可能的实体位置区间(span), 将他们输入分类层来发现具体的实体；然而这一方法的缺点是由于缺乏精确的边界信息，会抽取出很多并非 target entity 的 entity mention.

基于以上两种方法的优缺点，本文考虑将他们结合起来: 用序列标注模型来发现实体的位置，用 region classification model 对序列标注发现的 entity span candidate 进行实体类型的分类； 同时，由于 实体标签预测 和 边界发现 是在同一区间范围内的，因此引入多任务学习对它们进行优化。

Contributions

• 本文设计了边界感知的神经网络模型来预测实体的类别信息，它可以首先定位出实体的位置(span), 然后在对应的位置区间内进行实体类型的预测；

• 引入多任务学习来捕实体边界与事件标签之间的依赖关系；

• 在公开的 nested NER 数据集上，本文模型取得了超越 SOTA 的效果，并在inference取得了更快的速度。

相关工作

在相关工作中，作者指出了如下几点：

• 在现有的 NER 相关工作中，对 nested NER 进行研究的工作相对较少；

• 现有的 nested NER 工作提出的方案，可能是考虑了太多冗余的 span/region 信息， 或是 将边界预测和标签分类两个字任务太过于隔离，没有很好地利用现有的上下文信息。

• 本文提出的模型，则是用 更少、更精确的实体边界信息，来提高实体分类的性能。

模型

本文模型具体包括以下部分:

Token Representaiton

对于包含 $n$ 个tokens的句子 $(t_1,t_2,...,t_n)$, 通过如下三个步骤得到初始的表示:

• 通过 lookup table 获取 $t_i$ 的 word embedding:
  $$x_i^w=e^w(t_i)$$

• 若一个token $t_i$ 包含若干个 characters $x_i^c$, 则先通过 $e^c(x_i^c)$ 得到其对应的词向量，然后通过 BiLSTM 得到每个字符的表示:

$$x_i^c=[h_i^c;h_i^c]$$

• 最后将 token 和 对应字符的表示进行拼接:

$$x_i^t=[x_i^w,x_i^c]$$

Shared Feature Extractor

在得到 $x_i^t$ 的表示后，通过 BiLSTM 再次进行特征抽取:

Entity Boundary Detection

在边界检测阶段，对于句子 $(t_1,t_2,...,t_n)$， 我们将其包含的 entity 表示为 $R(i,j)$, 表示 $(t_i,t_{i+1},...,t_j)$ 构成一个实体。具体地，将 $t_i$ 和 $t_j$ 标注为 B 和 E, 区间内的token标注为 I, 非实体的token标注为 O。

对于每个token, 通过如下计算预测其对应的边界标签:

并通过下式定义 boundary detection 的 loss:

$$L_{bcls}=-\sum (\widehat{d_i^t}\log (d_i^t))$$

Entity Categorical Label Prediction

基于 boundary detection 得到 R(i,j) 的基础上，首先计算得到 R(i,j) 部分对应的表示:

$$R_{i,j}=[\frac{1}{j-i+1}\sum _{k=i}^j{h}_k^t]$$

然后对 R(i,j) 进行实体类别的分类,并定义loss:

Multitask Training

多任务的 loss 如下定义, 其中 $\alpha$ 是控制各子任务重要性的超参

$$alpha\sum L_{bcls}+(1-\alpha )\sum L_{ecls}$$

实验

实验部分主要介绍了所用的数据集、Baseline、参数设置 和 评价函数。

结果与讨论

• 分析总体实验结果。结果显示，本文模型的实验结果超越了现有的SOTA模型，且作者认为由于本文方法能更准确地发现entity边界以及 end2end 多任务抽取模式带来的提升，并在下文进行了分析。

• 分析Boundary Detection上的实验结果。从文中表5，6 看出本文在Boundary Detection 上就取得了比其他模型更好的效果，作者将这归因于multiLoss 同时考虑了 实体边界与实体类型间依赖； 同时，正是因为Boundary Detection 上更好的实验效果，整个 nested NER 任务才取得了更好的效果。

• 分析本文模型与现有模型在 Inference Time 上的区别。本文模型取得了更高的效率，作者将这归因于 本文发现的 entity boundary 是更精确的，较之前人工作，non-entity boundary 更少。

• 分析多任务学习的影响。作者将本文的 Boundary Detection 与 EntityLabel Prediction 用 Pipiline 的方式进行了运行，发现仍旧是ene2end取得了较好的结果。作者将这归因于，** Multi-task Learning 能够捕捉到 实体边界和实体类型标签间隐含的依赖信息**。

• 分析本文模型在** Flat NER** 任务上的结果。作者用本文模型在 JNLPBA DataSet 进行了 Falt NER 的实验，仍旧取得了较好的效果。

• 实例分析。作者通过一则实例对不同方法的特点进行分析，例句中 human TATA binding factor 是内嵌于 transcriptionally active human TATA binding factor的实体，Layered model 都只检出了 outer entity, 这说明相比之下本文模型能更加准确地发现 entity 的区间范围； 而本文方法的 PipiLine 模式只检测出了 inner entity, 这说明 Multitask 的方法能够在边界检测模块和实体类型预测模块间进行信息共享，这有助于结果的提升。

---

了解更多深度学习相关知识与信息，请关注公众号深度学习的知识小屋