一种面向社交媒体文本中命名实体识别方法

1 前言

在微博、Twitter之类的社交媒体上，用户产生的大量短文本中包含各种类型的实体，这类实体的识别难度更大，因为有些实体的书写并不符合正常的语法习惯，如被用户随心缩写，导致这类实体出现的概率很小，呈现稀疏性。针对以上问题，本文介绍一种最新的识别模型，核心思想是提出语义扩充的方式来增强命名实体的识别效果，该模型发表在2020年EMNLP会议上，题目为：《Named Entity Recognition for Social Media Texts with Semantic Augmentation》，论文下载链接为：https://www.aclweb.org/anthology/2020.emnlp-main.107.pdf。

2 模型

上图为paper中模型框架图，主要分两个部分，第一部分是左边子图的Tagging Procedure，第二部分是右边子图的Semantic Augmentation。前者可看着一个正常的序列标注识别框架，后者是论文提出的语义扩充的实现思路。其中，Gating Module是二者融合的模块。接着详细介绍各个环节。

假设输入的文本，对应的序列输出为，为序列长度。输出的格式采用BIOES标注体系。

在Embedding Layer中，采用word2vec，GloVe等类似预训练词向量进行转化。

在Context Encoding中，采用一种变体Transfomer结构进行文本编码，详情可以阅读对应paper。通过encoder后，输入的文本得到对应的编码向量。

在Augmentation Module中，对每个token在预训练的向量矩阵中找其最相似的前个词(cosine计算方式)，得到每个token的相似集合：

在相似词集合中，并不是每个词都是有用的，接着做一次类似attention方式计算，将每个相似的贡献区别性对待。

其中为第j个相似词对第i个token的贡献权重，为对应的词向量，得到的就为第i个token的语义扩充信息。

在Gating Module中，是实现向量与的融合，在融合的时候，文中采用控制门的形式，计算方式如下：

其中为学习到的控制门参数，取值为{0,1}，即为融合后的每个token最终的表征向量。在此基础上，做最后的序列label预测。

在CRF Layer中，计算公式如下：

其中

3 Experiment

论文在三个数据集进行试验验证，数据集统计情况如下：

主要试验对比结果如下，该模型在三个数据集上都大约有1%的提升。

此外，在针对Unseen Entity类的实体，最高有3%的提升。这类实体存在稀疏性，也说明该模型可以一定程度解决该问题。

4 结语

本文介绍的方法并不复杂，而且从原理上来讲，是很合理的，操作起来也不并复杂，论文也公开了源码：https://github.com/cuhksz-nlp/SANER。这里有一个小想法：在语义扩充中，是不是先从标注数据中找最类似的，如果在标注数据中没有出现，再从预训练的词矩阵中找，是不是更具有代表性。

更多文章可关注笔者公众号：自然语言处理算法与实践