Press "Enter" to skip to content

ACL 2019 开源论文 | 使用跨领域语言建模的跨领域命名实体识别

 

 

本文是西湖大学张岳老师组发表在 ACL 2019 的一篇文章,提出了一种跨领域的 NER 方法。代码已开源:

 

https://github.com/jiachenwestlake/Cross-Domain_NER

 

研究背景

 

命名实体识别(NER)是 NLP 的基本任务。由于标注资源的限制,跨领域的命名实体识别一直是一项具有挑战性的任务。以前的大多数工作都集中在监督场景上,利用源域和目标域的标记数据。这种方法的缺点是没有充分利用无监督信息,而且很多情况下,目标领域的监督数据是很少的。

 

为了解决这一问题, 文章使用跨领域的语言模型(cross-domain LM)作为跨域 NER 的桥连,并设计了一种新颖的参数生成网络。 结果表明,文章的方法通过跨域语言模型有效地提取了不同领域之间的差异。该方法可以无监督地进行领域自适应,在无标注数据的目标域做 NER 任务。值得一提的是,在有监督的 NER 领域自适应任务上,该方法取得了目前最优的结果。

 

作者在文中提到了两个“first”:首次使用跨领域语言模型做跨领域 NER 任务;首次在实体类型完全不同的领域做命名实体识别的迁移学习。

 

相关工作

 

NER: 目前主要使用一些深度学习的方法,如 LSTM、CNN-CRF、LSTM-CRF,本文选择了 Bi-LSTM;

 

Cross-domain NER: 大部分已有的工作都集中有监督学习中,也就是源域和目标域都有标注数据。比如把不同领域 的实体标签做映射、label embedding 取代实体标签、Bi-LSTM 学习标签表示。最近也有一些基于参数迁移的跨领域 NER 方法,就是在源领域学习到一个模型然后在目标域上 fine-tune。以上大部分方法都只用了跨领域的 NER 数据,相比之下,本文的方法利用了 NER 语料和生语料,可以实现 NER 任务上的零样本(zero-shot)领域迁移。

 

Learning task embedding vectors: 在多任务学习中,已经有一些关于任务向量表示(task vector representations)的相关工作。如在多语言 parsing 任务中学习语言向量(language embeddings),这类方法利用任务向量扩充词向量输入,这样就可以把任务特征融合到词向量中。也有通过学习领域向量完成多领域的情感分类任务。但是本文使用领域向量和任务向量并不是为了作为输入,而是为了得到相应的参数。

 

模型

 

整体的模型架构如下图:

 

 

输入一个句子,通过共享的嵌入层会得到一个单词级的表示。然后通过参数生产网络计算一系列任务和领域专属的参数。最后不同的任务与领域使用不同的输出层。

 

具体的结构如下:

 

输入层

 

输入的数据共有四种:源领域数据、目标领域数据、用于语言模型的源领域和目标领域的未标注数据。得到数据表示的方法是相同的:词向量与字符向量的 CNN 输出拼接在一起。

 

 

参数生成网络

 

其实文章中的主要模型仍然是 Bi-LSTM+CRF。所以参数生成网络,也就是要动态地生成 Bi-LSTM 的参数,以达到跨领域跨任务地转移知识的目的。

 

 

W 是维度为 P(LSTM) × V × U的三维张量, 是领域向量, 是任务向量。 三者通过张量的 contraction 操作得到最后的参数 (contraction 在 TensorFlow 和 PyTorch 上均有实现)。

 

现在有了输入层的 v 和参数生成网络生成的参数 ,我们可以得到 LSTM 的隐状态输出:

 

 

输出层

 

NER: 还是那个经典的结构:得到了 Bi-LSTM 的输出后,使用 CRF 做输出层。需要注意的是论文中针对源域和目标域分别使用了两个 CRF。

 

语言模型: 语言模型采用了比较传统的 Bi-LSTM 结构,搭配负采样,训练前后向的语言模型(估计下一步可以试试换掉语言模型改用 BERT)。

 

训练目标

 

整个训练目标由两部分组成,NER 的损失和语言模型的损失,整体的损失函数如下:

 

 

领域的 NER 损失和语言模型损失加起来是领域损失,领域损失乘对应的权重相加,再加最后一项(正则项),就是整个损失函数。

 

多任务学习算法

 

 

上图是整个多任务学习算法的过程。第 4-5 行、第 7-8 行、第 11-12 行、第 15-16 行分别代表之前提到的四种任务,每种任务都是同样的步骤:首先生成参数网络生成对应的 LSTM 网络参数,继而计算梯度并得到 CRF 的输出和 softmax 分 布,最后更新参数。需要注意的是,如果是无监督学习,第 11-12 行可以自动忽略了。

 

实验

 

数据

 

源领域的 NER 数据来自 CoNLL-2003,源领域的语言模型使用来自路透社的 377592 条句子训练。

 

目标领域的数据来自三部分:生物医药领域的 BioNLP13PC (13PC) 和 BioNLP13CG (13CG) 还有一份自己收集标注的科技领域的数据集。数据集的统计信息如下表所示:

 

 

CoNLL-2003 包括了四种实体类型:PER、LOC、ORG、MISC。BioNLP13PC 包括了五种实体类型:CHEM、CC、 G/p、SPE、CELL,BioNLP13CG 包括三种试实体类型:CHEM, CC 和 G/P,目标领域的语言模型直接使用这些数据集的文本训练。

 

作者团队自己标注的数据集来自 CBS ( https://www.cbsnews.com/ )。标注规则遵守 CoNLL-2013 标注,也是四种实体,和 CoNLL-2013 不同的是,数据集中科技类型的实体居多,比如“Space X”,“bitcoin“和”IP”。相应的,语言模型使用 398990 条为标注句子训练。

 

超参数

 

本文的实验是在 NCRF++(记得也是张岳老师团队出品)基础上进行的,有些参数有改动:batch size 变为 30;单任务使用学习率为 0.001 的 RMSprop 优化器,多任务模型使用学习率为 0.015 的 SGD 优化器。为了能在显存 8GB 的单  GPU 上运行,领域向量和任务向量维度均为 8。词向量使用预训练的 100 维 GloVe 向量,字符向量随机初始化。

 

实验结果

 

本文对实验结果的分析还是很周密且详尽的。作者在多任务角度、数据角度都有分析,建议感兴趣的读者看一下原文,更能体会作者的用心。

 

 

如上图,STM(单任务模型)与文章模型的比较,可以看出,文章模型一直是优于 STM 的,尤其是目标领域数据极少时(也可以看做无监督),依然能保持 60% 左右的 F1-score。

 

在有监督的领域迁移 NER 上,作者把模型与 STM、多任务(完全共享参数)、fine-tune 方法进行对比,发现一些类型的实体识别直接使用多任务方法效果是非常差的,而本文的方法一直是最优的。可见,同样是多任务学习,参数生成网络带来的提升是巨大的。

 

 

总结和思考

 

文章通过未标注文本抽取领域知识来完成 NER 领域自适应任务。通过参数生成网络跨领域语言建模,分别得到任务向量和领域向量。实验表明,有监督时,这种领域适应方法十分有效,在无监督时,也能取得一定效果。 本文使用的语言模型就是常见的 BiLSTM,可能是论文写作的时间原因,不知道作者有没有尝试基于 BERT 的方法,感觉非常值得一试。

作者丨刘朋伯

学校丨哈尔滨工业大学硕士生

研究方向丨 自然语言处理

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注