首发于逸立学院AI Lab

基于Bert-NER构建特定领域的中文信息抽取框架（上）

导语：

知识图谱（Knowledge Graph）主要由实体、关系和属性构成，而信息抽取（Information Extraction）作为构建知识图谱最重要的一个环节，目的就是从文本当中抽取出三元组信息，包括“实体-关系-实体”以及“实体-属性-实体”两类。然后将抽取后的多个三元组信息储存到关系型数据库（neo4j）中，便可得到一个简单的知识图谱。

本文通过多个实验的对比发现，结合Bert-NER和特定的分词、词性标注等中文语言处理方式，获得更高的准确率和更好的效果，能在特定领域的中文信息抽取任务中取得优异的效果。

1 命名实体识别
Bert-BiLSTM-CRF命名实体识别模型
NeuroNER和BertNER的中文NER对比
Bert-NER在小数据集下训练的表现

2 中文分词与词性标注
（Jieba、Pyltp、PkuSeg、THULAC）中文分词和词性标注工具性能对比
分词工具与BertNER结合使用的性能

3 中文指代消解
基于Stanford coreNLP的指代消解模型
基于BertNER的中文指代消解框架

4 中文信息提取系统
中文信息抽取框架测试结果

一、命名实体识别

1.1 综述：

命名实体识别（Name Entity Recognition）是获取三元组中的实体的关键。命名实体指的是文本中具有特定意义或者指代性强的实体，常见的包括人名、地名、组织名、时间、专有名词等。就目前来说，使用序列标注的方法能够在NER任务中获得比较优异的效果，相对来说比较成熟。

序列标注任务，即在给定的文本序列上预测序列中需要作出标注的标签。处理方式可简单概括为：先将token从离散one-hot表示映射到低维空间中成为稠密的embedding，随后将句子的embedding序列输入到RNN中，使用神经网络自动提取特征以及Softmax来预测每个token的标签。

本文对比了基于Bert的命名实体识别框架和普通的序列标注框架在模型训练、实体预测等方面的效果，并对基于小数据集的训练效果做出实验验证。

1.2模型：

1.2.1 Word Embedding-BiLSTM-CRF：

众多实验表明，该结构属于命名实体识别中最主流的模型，代表的工具有：[NeuroNER]( https://github.com/Franck-Dernoncourt/NeuroNER)。它主要由Embedding层（主要有词向量，字向量以及一些额外特征）、双向LSTM层、以及最后的CRF层构成，而本文将分析该模型在中文NER任务中的表现。

注：NER任务需要得到实体词的输出，所以使用字向量作为输入。

1.2.2 Bert-BiLSTM-CRF：

随着Bert语言模型在NLP领域横扫了11项任务的最优结果，将其在中文命名实体识别中Fine-tune必然成为趋势。它主要是使用bert模型替换了原来网络的word2vec部分，从而构成Embedding层，同样使用双向LSTM层以及最后的CRF层来完成序列预测。详细的使用方法可参考：[ 基于BERT预训练的中文NER]（ https://blog.csdn.net/macanv/article/details/85684284）

1.3 NeuroNER和BertNER的中文NER实验

1.3.1实验数据

1.3.1.1数据来源：

本文的NER实验数据是来自于[ 人民网]（ http://www.people.com.cn/）的将近7万句（250万字）中文新闻语料。

1.3.1.2 数据样式：

本文选用BIO标注法，其中”B“表示实体起始位置，”I“表示实体内容位置，”O“表示非实体。将7万条数据样本经过清洗后，按字进行分割，使用BIO标注形式标注四类命名实体，包括人名（PERSON）、地名（LOCATION）、组织机构名（ORGANIAZATION）以及时间（TIME），构成中文命名实体识别语料库。

1.3.1.3数据划分：

训练集、验证集、测试集以“7:1:2”的比例划分。其中训练集达到49600条的样本数，标注实体共88192个；验证集为7000条，包含12420个标注实体；测试集为14000条，标注实体共25780个。

1.3.1.4命名实体识别结果展示：

1.3.1.5实验结果：

注：实验配置为11G Nvidia RTX2080Ti、Intel(R) Core(TM) i7-8700K CPU @ 3.70GHz、16G内存、2T硬盘

1.3.2结论：

1.4 Bert-NER在小数据集下训练的表现：

1.4.1实验数据：

从5万句（250万字）的中文新闻语料中按文本数据的字数（万字为单位）划分出10W、30W、50W的小数据集，同样以“7:1:2”的比例得到对应的训练集、验证集、测试集。

1.4.2命名实体识别结果展示：

1.4.3实验结果：

在相同实验配置下，四种数据集经过30个epoch的迭代训练，将句子数、训练市场、测试集F1值三个维度的实验结果进行归一化处理后，最终得到以下实验结果图表：

效能分析：本文将以10W的数据集实验结果作为基础，探讨在30W、50W和250W三种数据集训练，每当数据量增长一倍（即每增长10W的数据量），所带来的训练时长增长和模型提升比例：

1.4.4结论：

二、中文分词和词性标注

2.1综述：

分词：

语言通常是需要用词来描述事物、表达情感、阐述观点等，可是在词法结构上中文与英文有较大的区别。其中最大的不同是英文将词组以空格的形式区分开来，较为容易被自动化抽取出来，而中文的词组往往需要由两个以上的字来组成，则需要通过分词工具来将语句拆分，以便进一步分析内容和意图。

词性标注：

对分词后的单词在用法上进行分类，为句法分析、信息抽取等工作打下基础。常见的词性包括名词、动词、形容词、代词、副词等。

2.2 分词和词性标注工具对比：

分词和词性标注往往是一同完成的。本文选取了主流的四款中文自然语言处理工具包括：

[Jieba]( https://github.com/fxsjy/jieba)、[Pyltp]( https://github.com/HIT-SCIR/pyltp)、[PkuSeg]( https://github.com/lancopku/pkuseg-python)、 [THULAC]( https://github.com/thunlp/THULAC-Python) 。

对比测试了它们分词和词性标注上的效果、速度、功能以及集成程度等。其中速度方面的测试，使用了百度百科上100位科技人物的首句人物介绍，经过预测得到每句文本的平均计算。

注：实验配置为11G Nvidia RTX2080Ti、Intel(R) Core(TM) i7-8700K CPU @ 3.70GHz、16G内存、2T硬盘

2.2.1测试文本：

2.2.2效果对比：

Jieba：

注：v（动词）、e（叹词）、b（区别词）、n（名词）、ns（地名）、nz（其他专名）、q（量词）、m（数词）、x（非语素字）

Pyltp：

注：nh（人名）、n（名词）、ns（地名）、nt（时间名词）、nz（其他专名）、b（区别词）、wp（标点符号）

PkuSeg：

注：nr（人名）、ns（地名）、nz（其他专名）、t（时间词）、b（区别词）、j（简称）、w（标点符号）

THULAC：

注：g（语素词根）、ns（地名）、nz（其他专名）、t（时间词）、a（形容词）、j（简称）、w（标点符号）

l Jieba分词 + Bert-NER + Pyltp词性标注：

注：nh（人名）、n（名词）、ns（地名）、nt（时间名词）、nz（其他专名）、b（区别词）、wp（标点符号）

2.3结论：

a. 经过NER、分词、词性标注的对比测试后发现，Jieba分词同时具有速度快和支持用户自定义词典的两大优点，Pyltp具有单独使用词性标注的灵活性。因此，使用“Jieba分词 + BertNER作自定义词典 + Pyltp词性标注”的组合策略后，可以弥补Jieba分词在实体识别的缺点，保证较高的准确率和产品速度。

b. PkuSeg和THULAC：初始化模型就需要很长时间，导致分词和词性标注的模型预测速度慢，同时部分人名的命名实体识别有所缺失。

c. Pyltp：分词效果太过于细化，而且实际上是无法用到用户自定义词典的。因为LTP的分词模块并非采用词典匹配的策略，而是外部词典以特征方式加入机器学习算法当中，并不能保证所有的词都是按照词典里的方式进行切分。

三、中文指代消解

3.1综述：

指代消解（Coreference Resolution），即在文本中确定代词指向哪个名词短语，解决多个指称对应同一实体对象的问题。

常见用于实现指代消解的工具包：[NeuralCoref]( https://github.com/huggingface/neuralcoref)、[Stanford coreNLP]( https://stanfordnlp.github.io/CoreNLP/)、[AllenNLP]( https://allennlp.org/)等。

大部分工具包都是基于语义结构中的词和句的规则来实现指代消解，而且都是在英文的语言结构当中实现了不错的效果，NeuralCoref和AllenNLP不支持中文，而Stanford coreNLP 是具有多种语言模型，其中包括了中文模型，但Stanford coreNLP 的指代消解在中文的表现并不理想。目前而言，基于深度学习的端到端指代消解模型还达不到生产应用的要求。

3.2基于Stanford coreNLP的指代消解模型：

3.2.1系统架构：

运用Stanford coreNLP中文模型的词性标注、实体识别和句法依存功能模块+规则来构成一个中文指代消解系统。

3.2.2输入：

3.2.3结果：

主语"屠呦呦"被拆分为两个元素，这也直接导致了主语识别成了呦呦。最后的结果为：

3.3基于BertNER的中文指代消解框架：

本文选取Pyltp中文工具包中的依存句法分析模块，结合“Jieba分词 + BertNER作自定义词典 + Pyltp词性标注”的词性标注和BertNER实体识别模块，以确定输入文本段落的主语和实体，从而将文本中出现的代词指代到对应的实体上。并且还实现了对缺失主语的部分文本进行主语补齐。

3.3.1实验结果：

3.3.2n经过反复的实验表明，基于BertNER的中文指代消解框架比基于Stanford coreNLP的指代消解模型在中文上获得更高的准确率和更好的效果，同时实现了主语补齐的功能，有助于抽取更多的有用三元组信息。

四、中文信息抽取系统

以下是基于Bert-NER的中文信息抽取系统的最终实验结果，模型细节请关注我们下一篇：《基于Bert-NER构建特定领域的中文信息抽取框架（下）》。

4.1中文信息抽取框架测试结果：

目前的规则配置文档定义了五类关系：出生于，配偶，毕业于，工作在，父（母）子。

4.1.1基于80条百度百科人物介绍，使用StanfordCoreNLP提取三元组的效果如下图所示。五类的关系抽取三元组准确率为0.89，抽取率达到0.69。

4.1.2基于80条百度百科人物介绍，使用本文中文抽取模型，取得较为明显的改进，五类的关系抽取三元组准确率达到0.99，抽取率达到0.96。

4.1.3测试用例结果展示：

本文实验代码：
中文命名实体识别： https://github.com/EOA-AILab/NER-Chinese
中文分词与词性标注： https://github.com/EOA-AILab/Seg_Pos
作者 | 朱展锋、李秋建、金立达
学校 | 英国帝国理工学院
公众号 | 逸立学院
研究方向 | 自然语言处理、信息抽取、知识图谱

编辑于 2019-07-31 10:28

NER

信息技术（IT）

知识图谱

文章被以下专栏收录

逸立学院AI Lab

逸立AI Lab

导语：

目录

一、命名实体识别

二、中文分词和词性标注

四、中文信息抽取系统

文章被以下专栏收录

逸立学院AI Lab