NER的过去、现在和未来综述-现在

百川AI

修改于 2022-10-08 15:54:21

2.7K0

修改于 2022-10-08 15:54:21

文章被收录于专栏：我还不懂对话我还不懂对话

命名实体识别（NER, Named Entity Recognition），是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。

之前的过去篇：NER的过去、现在和未来综述-过去篇下一篇：NER的过去、现在和未来综述-未来

过去和现在是相对于某个时间节点的，暂且以bert作为这个时间节点，本文就主要寻找NER在BERT之后的一些方法。本文将从以下方面展开：

解码框架（Framework）

这里归类的解码器似乎也不太合适，但是也找不到好的了。

sequence labeling（序列标注）将实体识别任务转化为序列中每个token的分类任务，例如softmax、crf等。相比于sequence labeling的解码方式，最近也有很多新的解码方式。

span

SpanNER: Named EntityRe-/Recognition as Span Prediction Coarse-to-Fine Pre-training for Named Entity Recognition

本质是预测实体的开始和结束节点，即对于每个token都会预测它是不是某个实体的开始和结束，对于多实体类型，有两种方式：

对于每个token，会预测start和end，对于start，是一个多分类(N+1)任务，N是实体个数
对于每一个类别，都预测对应的start和end。

这种方式的优点是，可以解决实体嵌套问题。但是也有一个缺点，就是预测实体的start和end是独立的（理论上应该联合start和end一起考虑是否是一个实体），解码阶段容易解码出非实体，例如：

token“林”预测为start，“伟”预测为end，那么“林丹对阵李宗伟”也可以解码为一个实体。

所以，span更适合去做实体召回，或者句子中只有一个实体（这种情况应该很少），所以阅读理解任务一般会使用功能span作为解码。

损失函数：

\mathcal{L}=-\frac{1}{n} \sum{i=1}^{n} y{i}^{\mathrm{s}} \log \left(P{\text {start }}\left(y{i}^{s} \mid x{i}\right)\right) -\frac{1}{n} \sum{i=1}^{n} y{i}^{\mathrm{e}} \log \left(P{\text {end }}\left(y{i}^{e} \mid x{i}\right)\right)

MRC（阅读理解）

A Unified MRC Framework for Named Entity Recognition

这个方法很有意思，当我们要识别一句话中的实体的时候，其实可以通过问题和答案的方式。解码阶段还是可以使用crf或者span。例如：

问题：句子中描述的人物是？；句子：林丹在伦敦夺冠；答案：林丹；

个人主观意见认为不实用，原因如下：

对于不同的实体，需要去构建问题模板，而问题模板怎么构建呢？人工构建的话，那么人构建问题的好坏将直接影响实体识别。
增加了计算量，原来输入是句子的长度，现在是问题+句子的长度。
span的问题，它也会有（当然span的优点它也有），或者解码器使用crf。

片段排列+分类

Span-Level Model for Relation Extraction Instance-Based Learning of Span Representations

其实span还是属于token界别的分类任务，而片段排列+分类的方式，是直接对于所有可能的片段，输入是span-level的特征，输出的是实体的类别。片段排列会将所有可能的token组合作为输入进行分类，例如：

span-leval特征一般包含：

片段的编码，pooling或者start和end向量的拼接，一般比较倾向于后者。
片段的长度，然后通过embedding矩阵转为向量。
句子特征，例如cls向量。

模型的话，参考这个模型，其中的a,b阶段是实体识别：

SpERT：Span-based Joint Entity and Relation Extraction with Transformer Pre-training

缺点：

对于长度为N的句子，如果不限制长度的话，会有N(N+1)/2，长文本的话，片段会非常多，计算量大，而且负样本巨多，正样本极少。
如果限制候选片段长度的话，那么长度又不灵活。

其实刚刚讲到span合适用来做候选召回，那么span的预测结果再用分类的方式进行识别，也不失为一种方式。

融合知识

隐式融合

这部分主要指通过预训练模型中融入知识，一种是通过在目标域的数据上进行adaptive pretrain，例如是对话语料，那么使用对话语料进行适配pretrain（预训练）。

另一种是在预训练阶段引入实体、词语实体信息，这部分论文也比较同质化，例如nezha/ernie/bert-wwm，以ernie为例，将知识信息融入到训练任务中，ERNIE提出一种知识掩盖策略取代bert的mask，包含实体层面和短语级别的掩盖，见下图：

Basic-Level Masking: 和bert一样，随机选取token做mask。
Phrase-Level Masking: 会将语法中的短语做mask，例如：a series of|such as 等。
Entity-Level Masking: 会将一些实体整个mask，主要实体包含人物、地点、组织、产品名等。

训练预料包括中文维基百科，百度百科，百度新闻（最新的实体信息），百度贴吧。

显示融合

这部分显示融合主要指通过在模型数据层面引入知识。

Trie树匹配结果作为特征

这部分比较简单，即将句子通过规则匹配到的词语信息作为先验输入，如果对于垂域的NER可以使用此方式。

匹配方式参考这篇：NER的过去中的词典匹配的方法。

融合分词信息（multi-grained: fine-grained and coarse-grained）

multi-grained翻译应该是多粒度，但是个人认为主要是融入了分词的信息，因为bert就是使用字。

中文可以使用词语和字为粒度作为bert输入，各有优劣，那么有么有可能融合两种输入方式呢:

前期融合

LICHEE, 前期即输入embedding层面融合，使用max-pooling融合两种粒度（词和字粒度）embedding：

\begin{aligned} \vec{e}_{i}^{f} &=\text { embedding }_{\text {fine }}\left(t_{i}^{f}\right) \\ \vec{e}_{i-k}^{c} &=\text { embedding }_{\text {coarse }}\left(t_{j-k}^{c}\right) \\ \vec{e}_{i} &=\max \text {-pool }\left(\vec{e}_{i}^{f}, \bar{e}_{j-k}^{c}\right) \end{aligned}

TNER：改进了Transformer的encdoer，更好地建模character级别的和词语级别的特征。通过引入方向感知、距离感知和un-scaled的attention，改造后的Transformer encoder也能够对NER任务显著提升。

文章比较有意思是分析了Transformer的注意力机制，发现其在方向性、相对位置、稀疏性方面不太适合NER任务。

embedding中加入了word embedding和character embedding，character embedding经过Transformer encoder之后，提取n-gram以及一些非连续的字符特征。

计算self-attention包含了相对位置信息，但是是没有方向的，并且在经过W矩阵映射之后，相对位置信息这一特性也会消失。所以提出计算attention权值时，将词向量与位置向量分开计算：

去掉了attention计算中的scaled，即不除以$\sqrt{d_k}$，认为效果更好。

FLAT, 将Lattice结构和Transformer相结合，解决中文会因为分词引入额外的误差，并且能够利用并行化，提升推理速度。如下图，通过词典匹配到的潜在词语(Lattice)，然后见词语追加到末尾，然后通过start和end位置编码将其和原始句子中的token关联起来。

另外也修改了attention的相对位置编码（加入了方向、相对距离）和attention计算方式（加入了距离的特征），和TNER类似，后续也有一篇Lattice bert，内容几乎一样。

中期融合

ZEN: Pre-training Chinese Text Encoder Enhanced by N-gram Representations

即在encoder某些层中融入词语和字的输出。在char的中间层添加N-gram的embedding输入。

这种n-gram加入到char的输出上，可能会找出信息泄露，例如mlm预测粤的时候，由于融入了“港澳”、“粤港澳”、“粤港澳大湾区”，可能会对预测粤的时候泄露答案。聪明的小伙伴会说那我直接mask全词啊，那这里如果mask掉“粤港澳大湾区”，其实会找出mask大部分句子，模型很难学。另一种就是修改attention的可见矩阵。

后期融合：Ambert，字和词语各自经过一个共享的encoder，然后将粗细粒度的输出融合，看输出不适合ner任务，更适合分类任务。

融合知识图谱信息

K-BERT: Enabling Language Representation with Knowledge Graph

知识图谱包含实体、实体类型、实体和实体的关系（边），怎么把这些信息融入到输入中呢？K-BERT使用方式很直接，如下图：

例如句子中，cook在图谱中是apple的ceo，那么直接将其插入到句子中，那不就扰乱了句子顺序吗，并且对于其他token是引入了额外的信息干扰。因此它提出了两种方法解决这个问题。

位置编码，原始句子的位置保持不变，序列就不变，同时对于插入的“CEO”、"Apple"和“cook”的位置是连续，确保图谱知识插入的位置。
同时对于后面的token，“CEO”、"Apple"属于噪声，因此利用可见矩阵机制，使得“CEO”、"Apple"对于后面的token不可见，对于CLS也不可见。

标注缺失

首先对于NER标注，由于标注数据昂贵，所以会通过远程监督进行标注，由于远监督词典会造成高准确低召回，会引起大量未标注问题？

另外即使标注，存在实体标注缺失是很正常的现象，除了去纠正数据（代价过高）之外，有么有其他的方式呢？

AutoNER

Learning Named Entity Tagger using Domain-Specific Dictionary Better Modeling of Incomplete Annotations for Named Entity Recognition

当使用词典进行实体的远监督标注时，由于词典有限，一般会造成标注数据中实体高准确，低召回（未标注）的问题。为了解决数据中的未标注问题，提出了AutoNER with “Tie or Break”的方法。

具体算法如图，其中：

Tie：对于两个相邻的token，如果他们是属于同一个实体，那么他们之间是Tie。
Unknow：两个相邻的token其中一个属于未知类型的高置信实体，挖掘高置信实体使用AutoPhrase。
Break：不属于以上情况，即非同一实体。
两个Break之间的tokens作为实体，需要去识别对应的类别。
计算损失的时候，对于Unknow不计算损失。（主要是为了缓解漏标（false negative）问题）

解决的问题：

即使远监督将边界标注错误，但是实体内部的多数tie还是正确的。

个人理解出发点：1. 提出tie or break是为了解决边界标注错误问题，Unknow不计算损失缓解漏标（false negative）问题。但是有个问题，文中提到了false negative的样本来自于high-quality phrase，但是这些high-quality phrase是基于统计，所以对于一些低频覆盖不太好。

另外一篇论文也是类似的思想：Training Named Entity Tagger from Imperfect Annotations，它每次迭代包含两步：

错误识别：通过交叉训练识别训练数据集中可能的标签错误。
权重重置：降低含有错误标注的句子的权重。

PU learning

Distantly Supervised Named Entity Recognition using Positive-Unlabeled Learning

主要解决词典漏标或者标注不连续问题，降低对于词典构造的要求。Unbiased positive-unlabeled learning正是解决未标记样本中存在正例和负例的情况，作者定义为：

R_{\ell}=\pi_{n} \mathbb{E}_{\mathbf{X} \mid \mathrm{Y}=0} \ell(f(\boldsymbol{x}), 0)+\pi_{p} \mathbb{E}_{\mathbf{X} \mid \mathrm{Y}=1} \ell(f(\boldsymbol{x}), 1)

\pi_{n} 是负例，未标注样本属于是正例\pi_{p} ，解决未标注问题就是怎么不用负样本去预估\mathbb{E}_{\mathbf{X} \mid \mathrm{Y}=0} \ell(f(\boldsymbol{x}), 0) 。

为什么不用负样本，因为负样本可能保证未标注正样本。

作者将其转化为：

\begin{aligned} \pi_{n} \mathbb{E}_{\mathbf{X} \mid \mathrm{Y}=0} \ell(f(\boldsymbol{x}), 0) &=\mathbb{E}_{\mathbf{X}} \ell(f(\boldsymbol{x}), 0) -\pi_{p} \mathbb{E}_{\mathbf{X} \mid \mathrm{Y}=1} \ell(f(\boldsymbol{x}), 0) \end{aligned}

所以我直接去学正样本就好了嘛，没毛病。这里大概就能猜到作者会用类似out of domian的方法了。

但是我感觉哪里不对，你这只学已标注正样本，未标注的正样本没学呢。

果然，对于正样本每个标签，构造不同的二分类器，只学是不是属于正样本。

我不是杠，但是未标注的实体仍然会影响二分类啊。

负采样

Empirical Analysis of Unlabeled Entity Problem in Named Entity Recognition

未标注会造成两类问题1）降低正样本量。2）将未标注视为负样本。1可以通过adaptive pretrain缓解，而2后果却更严重，会对于模型造成误导，怎么消除这种误导呢，那就是负采样。

本文ner框架使用了前面介绍的片段排列分类的框架，即每个片段都会有一个实体类型进行分类，也更适合负采样。

负采样： 即对于所有非实体的片段组合使用功能下采样，因为非实体的片段组合中有可能存在正样本，所以负采样一定程度能够缓解未标注问题。注意是缓解不是解决。损失函数如下：

\left(\sum_{(i, j, l) \in \mathbf{y}}-\log \left(\mathbf{o}_{i, j}[l]\right)\right)+\left(\sum_{\left(i^{\prime}, j^{\prime}, l^{\prime}\right) \in \hat{\mathbf{y}}}-\log \left(\mathbf{o}_{i^{\prime}, j^{\prime}}\left[l^{\prime}\right]\right)\right)

其中前面部分是正样本，后面部分是负样本损失，$\hat{y}$就是采样的负样本集合。方法很质朴，我觉得比pu learning有效。作者还证明了通过负采样，不讲未标注实体作为负样本的概率大于(1-2/(n-5))，缓解未标注问题。