中文NER的那些事儿1. Bert-Bilstm-CRF基线模型详解&代码实现

这个系列我们来聊聊序列标注中的中文实体识别问题，第一章让我们从当前比较通用的基准模型Bert+Bilstm+CRF说起，看看这个模型已经解决了哪些问题还有哪些问题待解决。以下模型实现和评估脚本，详见 Github-DSXiangLi/ChineseNER

NER问题抽象

实体识别需要从文本中抽取两类信息，不同类型的实体本身token组合的信息（实体长啥样），以及实体出现的上下文信息（实体在哪里）一种解法就是通过序列标注把以上问题转化成每个字符的分类问题，label主要有两种其中BIO更常见些

• BIO：B标记实体的开始，I标记其余部分，非实体是O
• BMOES：B标记开始，E标记结束，中间是M，单字实体是S，非实体是O

主流中文实体识别任务都是字符级输入，考虑后面会用到Bert-finetune统一用bert-tokenizer做字符到ID的映射。不以中文分词作为输入粒度的原因也很简单，其一分词本身的准确率限制了NER的天花板，其二不同领域NER的词粒度和分词的粒度会存在差异进一步影响模型表现。如何引入中文词粒度信息，之后会通过词汇增强的方式来实现。以下是训练数据的Demo

NER评估

NER评估分为Tag级别（B-LOC,I-LOC)和Entity级别(LOC)，一般以entity的micro F1-score为准。因为tag预测准确率高但是抽取出的entity有误，例如边界错误，在实际应用时依旧抽取的是错误的实体。repo中的evalution.py会针对预测结果分别计算Tag和Entity的指标，以下是Bert-bilstm-crf在MSRA数据集上的表现

以上Entity级别的指标，针对预测抽取的实体和实际标注的实体进行计算

\[\begin{align} precision &= \frac{预测正确实体}{预测得到实体}\\ recall &= \frac{预测正确实体}{实际实体} \\ F1 &=\frac{2*precision*recall}{precision+recall}\\ \end{align} \]

有两种聚合方式，micro是直接整体求precision，recall和F1。macro是分别计算各个实体类型的precision, recall和F1然后简单平均得到整体的结果。考虑到不同实体类型的占比往往存在差异（尤其是对细分类别的NER任务），所以整体评估一般以micro为准。在MSRA和people daily数据集上差别不大，因为只有3类实体且数据量差不太多。

基线模型 Bert-Bilstm-CRF

来看下基准模型的实现，输入是wordPiece tokenizer得到的tokenid，进入Bert预训练模型抽取丰富的文本特征得到batch_size * max_seq_len * emb_size的输出向量，输出向量过Bi-LSTM从中提取实体识别所需的特征，得到batch_size * max_seq_len * (2*hidden_size)的向量，最终进入CRF层进行解码，计算最优的标注序列。

def build_graph(features, labels, params, is_training):
    input_ids = features['token_ids']
    label_ids = features['label_ids']
    input_mask = features['mask']
    segment_ids = features['segment_ids']
    seq_len = features['seq_len']

    embedding = pretrain_bert_embedding(input_ids, input_mask, segment_ids, params['pretrain_dir'],
                                        params['embedding_dropout'], is_training)
    load_bert_checkpoint(params['pretrain_dir'])  # load pretrain bert weight from checkpoint

    lstm_output = bilstm(embedding, params['cell_type'], params['rnn_activation'],
                         params['hidden_units_list'], params['keep_prob_list'],
                         params['cell_size'], params['dtype'], is_training)

    logits = tf.layers.dense(lstm_output, units=params['label_size'], activation=None,
                             use_bias=True, name='logits')
    add_layer_summary(logits.name, logits)

    trans, log_likelihood = crf_layer(logits, label_ids, seq_len, params['label_size'], is_training)
    pred_ids = crf_decode(logits, trans, seq_len, params['idx2tag'], is_training)
    crf_loss = tf.reduce_mean(-log_likelihood)

    return crf_loss, pred_ids

下面让我们从bottom到top，一层层来看Bert，bilstm和crf分别解决了哪些问题～

Layer1 - Bert：Contextual Embedding/Pretrain Language Model

解决问题：NER标注数据少，文本信息抽取效果不佳

paper：Semi-supervised sequence tagging with bidirectional language models

作者是18年提出ELMo的大神，他在16年就提出引入预训练语言模型可以提升序列标注效果。NER任务需要的文本信息可以大致分成词信息，考虑上下文的词信息，以及信息到实体类型的映射。paper指出预训练词向量（指Word2vec/glove这类静态不考虑上下文的词嵌入），只涵盖基于共现的独立词信息，而考虑上下文的词信息还是要用有限的NER标注数据来训练，往往会导致信息抽取效果不好，以及泛化效果不好。

于是作者在大规模无标注数据集上训练了双向LM，由BiLSTM的forward和bachward层拼接得到文本表征，用LM模型来帮助抽取更全面/通用的文本信息。在NER模型中第一层BiLSTM从NER标注数据中学习上下文信息，第二层BiLSTM的输入由第一层输出和LM模型的输出拼接得到，这样就可以结合小样本训练的文本表征和更加通用LM的文本表征。

放在当下，预训练语言模型已经从Elmo一路到了各种bert，用法也和paper中略有区别。考虑到Bert强大的信息记忆和抽取能力，我们可以直接把Bert放在最底层用于抽取考虑上下文的文本信息。这里我对比了用bert的输入token embedding训练的bilstm-crf和finetune bert+bilstm-crf的效果。可以看到bert在entity级别的F1提升是惊人的，当然这个提升对于大样本的标注数据可能不会这么明显。

顺便说一下在实现的时候因为用了Bert所以要加入[SEP]，[CLS]和[PAD]，当时纠结了下这是都映射到1个label？还是各自映射到一个label？最后考虑到后面CRF转移矩阵的计算还是觉得各自映射到1个label会比较合适，看了下训练时打出的summary会发现step=100（其实应该在10以前）模型就已经完美的学到[SEP],[CLS],[PAD]了，所以对结果不会有任何影响滴

Layer2 - BiLSTM层真的需要么？

解决问题：抽取用于实体分类的包含上下文的文本信息

paper：Bidirectional LSTM-CRF Models for Sequence Tagging

16年的paper算是首篇把BiLSTM-CRF用于NER任务的尝试。Bilstm的存在是提取双向文本信息。和多数文本任务一样，如果想要speed up训练速度会考虑用CNN来替代RNN，想要捕捉kernel_size长度之外的信息，可以尝试stack-CNN或者拼接不同长度kernel_size的CNN。当时这些都是SOTA级别的模型，不过放在BERT出世后的今天，bilstm/cnn作为文本上下文信息提取的作用究竟还有多大嘞？

我简单比较了Bert-bilstm-crf，Bert-cnn-crf和Bert-crf在msra和people_daily数据集上的效果。在msra上确实有提升，不过在people daily上Bert-crf效果最好。整体上感觉bert把需要的信息都做了提取，bilstm只是选择性从中挑选有用的信息做整合，所以增益并不是很大。如果你的标注数据很少，或者对预测latency有要求，Bert-crf可能更合适些。

Layer3-Cross-entropy vs CRF

解决问题：实体内标签分类的一致性，T个N分类问题转化为

的分类问题

paper: Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data

把实体识别抽象为序列标注问题后，其中一个问题就是label的预测是独立的，但实体识别的准确率是把实体作为整体来计算的，所以需要考虑到实体内label预测的一致性，计算整个标注序列的全局最优，也就是把求解T个N分类问题转化为从

个序列中寻找概率最大的预测序列。序列标注模型经历了从HMM到MEMM再到CRF的更迭，让我们来简单对比下三个模型

1. HMM

隐马尔可夫有向图模型，由观测序列和隐状态序列构成，在NER问题中观测序列就是输入句子，隐状态就是实体label，模型包含3个核心假设：

• 齐次马尔可夫性假设：

，当前实体label只和前一位置的label有关

• 不动性假设：转移概率矩阵和位置无关

• 观测独立假设：观测只和当前位置隐状态有关

用HMM来对NER问题建模需要把条件概率先转化为联合概率如下

\[\begin{align} argmax P(s_1,...,s_T|O_1,...,O_T) &\propto argmax P(s_1,...,s_T,O_1,...,O_T)\\ &= argmax P(O_1,...,O_T|s_1,...,s_T)\cdot P(s_1,...,s_T)\\ &= argmax P(s_0)\cdot \prod_{i=1}^TP(s_t|s_{t-1})\cdot P(O_t|s_t) \end{align} \]

以上也就得到了HMM需要求解的三个变量

• 初始状态

：句子第一个label是B-PER/I-PER/.../O的概率

• 全局转移矩阵

：B-PER->I-PER, I-PER->B-LOC，实体label间的转移概率

• 输出概率

：P(北｜B-LOC)已知状态输出是某一token的概率

预测过程，既对已知观测序列，求解最有可能的状态序列。直接求解长度为T，label_size=N的序列是

的复杂度，通常采用动态规划的Viterbi算法来把复杂度降低到

，详细的计算过程可以看文章最后的附录部分

看到这里你觉着用HMM来求解NER有啥问题嘞？主要问题有2个

• 观测独立假设，每个输出（character）当然不只依赖隐状态（label）还会依赖上下文信息
• HMM作为生成模型要计算联合概率，如果要引入额外特征来描述观测，例如大小写前缀后缀，需要计算每个特征的likelihood，所以很难引入额外特征。同时模型拟和的是联合概率，和预测需要的P(S|O)条件概率存在不一致。

2.MEMM

HMM在序列标注中的优势是隐状态间的跳转，会有效提高实体预测label之间的一致性。让我们保留优点，放松观测独立的假设，再把生成模型换成判别模型，直接对P(S|O)进行建模我们就得到了MEMM最大熵马尔可夫模型。MEMM可以方便的引入任意特征来对观测数据进行描述，并且没有观测独立假设后实体标签可以依赖任意上下文信息。

最大熵模型是对数线性模型，对滴就是熟悉的logistic regression，每个step都是多分类问题，输入F是基于t和t-1时刻的状态以及观测序列X构建的特征函数，输出是t时刻各个状态的概率(sum=1局部正则化），以下Z是正则因子

\[P(s_t|s_{t-1}, O) = \frac{1}{Z(s_{t-1},O)}exp(W^T \cdot F(s_t,s_{t-1},O)) \]

用MEMM求解给定观测下最优的标注序列如下

\[\begin{align} & argmax P(s_1,...,s_T|O_1,...,O_T) \\ &=\prod_{i=1}^TP(s_t|s_{t-1},O_1,...O_T) \\ &=\prod_{i=1}^T\frac{1}{Z(s_{t-1},O)}exp(W^T \cdot F(s_t,s_{t-1},O)) \\ \end{align} \]

那用MEMM来求解NER还有啥问题勒？

• LabelBias: MEMM的局部正则化会导致预测时倾向于选择可转移状态更少的状态。很多博客都详细介绍了这个问题最大熵马尔可夫模型（MEMM）及其三个基本问题

3. CRF

保留MEMM判别模型，马尔可夫状态转移，以及每个状态都依赖完整上下文的优点，CRF直接在全局进行正则化，解决了label bias的问题。对比MEMM在每个step进行正则化得到概率，CRF是直接对T个step所有

个可能状态路径计算全局概率进行正则化，如下

\[\begin{align} & argmax P(s_1,...,s_T|O_1,...,O_T) \\ &=\frac{1}{Z(x)} \prod_{i=1}^Texp(W^T \cdot F(s_i,s_{i-1},O))\\ &=\frac{1}{\sum_{N^T\text{个paths} }exp( \sum_{i=1}^T W^T \cdot F(s_i,s_{i-1},O))}exp( \sum_{i=1}^T W^T \cdot F(s_i,s_{i-1},O)) \end{align} \]

以上特征函数F可以进一步拆解成L个转移类特征和K个状态类特征之和

\[W^T \cdot F(s_{i-1},s_i,O) = \sum_{k=1}^{K} w_k f_k(s_i,O) + \sum_{l=1}^{L} w_l f_l(s_i,s_{i-1},O) \]

让我们来看下tensorflow中tf.contrib.crf的相关实现。其中转移特征函数是全局的转移矩阵，状态特征是最后一个layer输出的logit。解码同样是viterbi就不多说了，训练时loglikelihood的计算分为以下几步

1. 计算真实序列的特征得分

• binary_score =

• unary_score =

• sequence_score = bianry_score + unary_score

1. 计算用于正则化的全部路径得分log_norm

crf_log_norm巧妙利用了矩阵计算把遍历所有路径

的复杂度降低到了

, 每一步都是N*N的矩阵乘积运算在CrfForwardRnnCell中实现，细节可以去看李航大大的统计学习方法，简单来说就是定义矩阵M

\[\begin{align} M(s_{i-1},s_i|O) &= exp(W^T \cdot F(s_i,s_{i-1},O))\\ log(Z(x))&= log(s_1) + \sum_{i=2}^{T-1} M_i(X) +log(s_T)\\ \end{align} \]

1. 输出crf_log_likelihood = sequence_score - log_norm

现在NER任务基本以加入CRF为主，让我们我们对比下在Bert输出层后直接加cross-entropy和CRF的效果差异如下。在tag级别cross-entropy和CRF基本是一样的，但因为加入了对Label转移概率的约束，CRF在entity级别的指标上有明显更高的召准。

还要注意一点就是和Bert一起训练的CRF，最好使用不同的learning rate，Bert层是微调lr不能太高不然会出现信息遗忘，一般在

。而这么小的lr会导致CRF层转移概率收敛太慢，CRF的lr一般需要乘100～500倍。更多细节可以看下【REF6】。代码实现采用了分层lr，按variable_scope来区分lr，越靠近输出层的lr越高。

基准模型在两个数据集上看起来好像已经很不错，但是在实际应用中还有许多需要解决的问题。例如NER标注样本太少如何解决，垂直领域迁移问题，中文词边界问题和词汇信息增强，Label Imbalance问题等等，我们在后面的章节再慢慢唠

Ref-A

1. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data, 2001
2. Bidirectional LSTM-CRF Models for Sequence Tagging, 2015
3. Named Entity Recognition with Bidirectional LSTM-CNNs, 2016
4. Neural Architectures for Named Entity Recognition, 2016
5. Semi-supervised sequence tagging with bidirectional language model
6. 你的CRF层的学习率可能不够大
7. http://www.davidsbatista.net/blog/2018/05/09/Named_Entity_Evaluation/
8. https://zhuanlan.zhihu.com/p/103779616

Ref-B Viterbi

1. 定义t时刻到达状态i的最大概率路径 \[\delta_t(i)=max_{s_1,..s_{t-1}}P(s_1,..,s_{t-1},s_t=i,O_1,...,O_t|\pi,A,B) \]
2. 综合转移概率和输出概率，

存在以下递归关系，因此每一步只需要做N->N个状态复杂度为

的递归计算

\[\delta_{t+1}(i) = max_{j}[\delta_{t}(j) \cdot A_{j,i}] \cdot B_i(O_{t+1}) \]

1. 向前递归计算的同时记录每一步状态i前一刻的状态j，当递归到序列尽头，得到T时刻最大概率的状态再往前回溯，得到最大概率对应的状态序列