跟我读论文丨ACL2021 NER 模块化交互网络用于命名实体识别

摘要：本文是对ACL2021 NER 模块化交互网络用于命名实体识别这一论文工作进行初步解读。
本文分享自华为云社区《ACL2021 NER | 模块化交互网络用于命名实体识别》，作者： JuTzungKuei 。

论文： Li Fei, Wang Zheng, Hui Siu Cheung, Liao Lejian, Song Dandan, Xu Jing, He Guoxiu, Jia Meihuizi. Modularized Interaction Network for Named Entity Recognition [A]. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) [C]. Online: Association for Computational Linguistics, 2021, 200–209.

链接：https://aclanthology.org/2021...

代码：无

0、摘要

• 现有NER模型缺点

  • 基于序列标注的NER模型：长实体识别不佳，只关注词级信息
  • 基于分段的NER模型：处理分段，而非单个词，不能捕获分段中的词级依赖关系
• 边界检测和类型预测可以相互配合，两个子任务可共享信息，相互加强

• 提出模块化交互网络模型MIN（Modularized Interaction Network）

  • 同时利用段级信息和词级依赖关系
  • 结合一种交互机制，支持边界检测和类型预测之间的信息共享

• 三份基准数据集上达到SOTA

  1、介绍

• NER：查找和分类命名实体，person (PER), location
  (LOC) or organization (ORG)，下游任务：关系抽取、实体链接、问题生成、共引解析

• 两类方法

  • 序列标注 sequence labeling：可捕获词级依赖关系
  • 分段 segment（a span of words）：可处理长实体

• NER：检测实体边界和命名实体的类型，

  • 分成两个子任务：边界检测、类型预测
  • 两个任务之间是相关的，可以共享信息

• 举栗：xx来自纽约大学

  • 如果知道大学是实体边界，更可能会预测类型是ORG
  • 如果知道实体有个ORG类型，更可能会预测到“大学”边界

• 上述两个常用方法没有在子任务之间共享信息

  • 序列标注：只把边界和类型当做标签
  • 分段：先检测片段，再划分类型

• 本文提出MIN模型：NER模块、边界模块、类型模块、交互机制

  • 指针网络作为边界模块的解码器，捕捉每个词的段级信息
  • 段级信息和词级信息结合输入到序列标注模型
  • 将NER划分成两个任务：边界检测、类型预测，并使用不同的编码器
  • 提出一个相互加强的交互机制，所有信息融合到NER模块
  • 三个模块共享单词表示，采用多任务训练

• 主要贡献：

  • 新模型：MIN，同时利用段级信息和词级依赖
  • 边界检测和类型预测分成两个子任务，结合交互机制，使两个子任务信息共享
  • 三份基准数据集达到SOTA

2、方法

• NER模块：RNN-BiLSTM-CRF，引用Neural architectures for named entity recognition

  • 词表示：word（BERT） + char（BiLSTM）
  • BiLSTM编码：双向LSTM，交互机制代替直接级联，门控函数动态控制
    

最终NER输出：H^{NER}=W^T[H;H^B;H^T;H^S] + bHNER=WT[H;HB;HT;HS]+b
H^{Bdy}HBdy表示边界模块输出，H^{Type}HType表示类型模块输出，H^{Seg}HSeg表示分段信息

• CRF解码：转移概率 + 发射概率

• 边界模块：双向LSTM编码H^{Bdy}HBdy，单向LSTM解码

  • 解码：
    s_j=h_{j-1}^{Bdy}+h_{j}^{Bdy}+h_{j+1}^{Bdy}sj​=hj−1Bdy​+hjBdy​+hj+1Bdy​
    d_j=LSTM(s_j, d_{j-1})dj​=LSTM(sj​,dj−1​)
  • Biaffine Attention机制：
    
    
• 类型模块：BiLSTM + CRF

• 交互机制：

  • self attention 得到标签增强的边界H^{B-E}HB−E，类型H^{T-E}HT−E
  • Biaffine Attention 计算得分 \alpha^{B-E}αB−E
  • 交互后的边界：r_i^{B-E}=\sum_{j=1}^{n}\alpha_{i,j}^{B-E}h_j^{T-E}riB−E​=∑j=1n​αi,jB−E​hjT−E​
  • 更新后的边界：\overline{h}_i^{Bdy}=[h_i^{B-E},r_i^{B-E}]hiBdy​=[hiB−E​,riB−E​]
  • 更新后的类型：\overline{h}_i^{Type}=[h_i^{T-E},r_i^{T-E}]hiType​=[hiT−E​,riT−E​]

• 联合训练：多任务

  • 每个任务的损失函数
    
• 最终损失函数：\mathcal{L}=\mathcal{L}^{NER}+\mathcal{L}^{Type}+\mathcal{L}^{Bdy}L=LNER+LType+LBdy

3、结果

• Baseline (sequence labeling-based)

  • CNN-BiLSTM-CRF
  • RNN-BiLSTM-CRF
  • ELMo-BiLSTM-CRF
  • Flair (char-BiLSTM-CRF)
  • BERT-BiLSTM-CRF
  • HCRA (CNN-BiLSTM-CRF)

• Baseline (segment-based)

  • BiLSTM-Pointer
  • HSCRF
  • MRC+BERT
  • Biaffine+BERT

号外号外：想了解更多的AI技术干货，欢迎上华为云的AI专区，目前有AI编程Python等六大实战营供大家免费学习。

点击关注，第一时间了解华为云新鲜技术~