NER(命名实体识别)之LR-CNN详解

一、前言

本篇论文主要是改进LatticeLSTM的两个缺点：

1、基于LSTM的模型，不能并行处理，效率低；

2、LatticeLSTM不能解决词汇冲突问题，比如下面句子中的“长”，根据前面的“广州市”很容易判断为O，然而整体观察后发现正确是B-GPE

对应的改进方案是：

1、使用CNN来替换LSTM来实现并行化；

2、使用rethinking机制，通过高层特征的语义来优化词向量权重

二、LR-CNN模型

下面看一下具体是如何做的？模型结构如下图所示：

LR-CNN模型主要包括「Lexicon-Based CNNs」和「Refining Networks with Lexicon Rethinking」两部分

2.1、Lexicon-Based CNNs

        假设句子长度为m个字符C = {c1, c2, · · · , cM }，Cm代表第m字符的embedding，可能从词典里构成的词使用wml = {cm, · · · , cm+l−1}表示，cm表示词的第一个字符，l表示词的长度。比如上图w12 =广州, w13 =广州市, w32 =市长。模型的第一层是字符输入，此后每层依次都是n-gram的输入，比如第二层就是bi-gram，第三层是tri-gram，以此类推。

      每一层的计算方式如下：

      其中〈A, B〉 = Tr(ABT )表示Frobenius内积，比如矩阵A的Frobenius范数定义为矩阵A各项元素的绝对值平方的总和开根。

      使用attention模块（ vector-based attention ）去融合词典特征。

 

2.2、Refining Networks with Lexicon Rethinking

        因为CNN的结果所限，在底层的隐藏词汇特征无法获取在高层时隐藏词汇带来的信息。

       对于CNN顶层的特征，作为high-level features，本文使用这些特征，通过在每个CNN层添加一个反馈层来重新调整词汇注意模块的权重：

       其中都是可训练参数，同时为了避免过拟合是注意力模块中的重用参数以减少参数数量，​

代表顶层CNN得到的特征。

       同时利用multi-scale feature attention来适应性地选取句子中同一位置的不同尺度：

经过处理后作为CRF层的输入。

三、LR-CNN实验

3.1、对四个公开数据集对P、R、F1的对比

       结论：从上面四个公开的数据集的实验表明LR-CNN的模型性能均优于LatticeLSTM

3.2、解码速度对比

       结论：LR-CNN比LatticeLSTM模型的解码速度更快，在Weibo数据集上是3.21倍；而且随着句子长度增加，句子解码速度下降比LatticeLSTM缓慢。

3.3、LR-CNN模型中Rethink机制与Lexicon作用的对比

结论：多尺度的CNN作用下加入Lexicon的作用非常明显，而Rethink机制在此基础上进一步优化模型性能。