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 信息抽取和知识图谱
目录
1 命名实体识别
Ø Bert-BiLSTM-CRF命名实体识别模型
Ø NeuroNER和BertNER的中文NER对比
Ø Bert-NER在小数据集下训练的表现
2 中文分词与词性标注
Ø (Jieba、Pyltp、PkuSeg、THULAC)中文分词和词性标注工具性能对比
Ø 分词工具与BertNER结合使用的性能
3 中文指代消解
Ø 基于Stanford coreNLP的指代消解模型
Ø 基于BertNER的中文指代消解框架
4 中文信息提取系统
Ø 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。
2 NER发展趋势图
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。
3 “词向量+BiLSTM+CRF”三层模型构造图
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
1.2.1实验数据
1.2.1.1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。
4 CSV格式的原始数据
1.2.1.2 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。
5
6 数据标注样式图
1.2.1.3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。
数据集 | 样本数(句) | 标注实体(个) |
---|---|---|
训练集 | 49600 | 88192 |
验证集 | 7000 | 12420 |
测试集 | 14000 | 25780 |
7
1.2.1.4命名实体识别结果展示:
l 展示用例:屠呦呦,女,汉族,中共党员,药学家。1930年12月30日生于浙江宁波,1951年考入北京大学,在医学院药学系生药专业学习。1955年,毕业于北京医学院(今北京大学医学部)。
l 展示用例抽取结果:[['PERSON', '屠呦呦'], ['TIME', '1930年12月30日'], ['LOCATION', '浙江宁波'], ['TIME', '1951年'], ['ORGANIZATION', '北京大学'], ['ORGANIZATION', '医学院药学系'], ['TIME', '1955年'], ['ORGANIZATION', '北京医学院'], ['ORGANIZATION', '北京大学医学部']]
1.2.1.5实验结果:
工具分类 | epoch | 训练时长 | 测试集F1值 | 模型加载速度 | 预测速度 |
---|---|---|---|---|---|
BertNER | 30 | 5h 49m | 96.18 | 2.8s | 80ms |
NeuroNER | 30 | 14h 19m | 91.93 | 23s | 2s |
NeuroNER | 100 | 2d 7h 10m | 92.33 | 23s | 2s |
8
注:实验配置为11G Nvidia RTX2080Ti、Intel(R) Core(TM) i7-8700K CPU @ 3.70GHz、16G内存、2T硬盘
1.2.2结论:
a. 实验表明,两者在相同的迭代次数训练后,测试集的F1值上BertNER比NeuroNER高出超过4个百分点。即使NeuroNER迭代epoch增加到100,仍然是BertNER的识别效果更优。
b. Bert NER在训练时长、模型加载速度、预测速度上都占据了很大的优势,达到工业级的水平,更适合应用在生产环境当中。
c. 综上所述,Bert-BiLSTM-CRF模型在中文命名实体识别的任务中完成度更高。
1.4 Bert-NER在小数据集下训练的表现:
1.3.1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。
1.3.2命名实体识别结果展示:
l 展示用例:屠呦呦,女,汉族,中共党员,药学家。1930年12月30日生于浙江宁波,1951年考入北京大学,在医学院药学系生药专业学习。1955年,毕业于北京医学院(今北京大学医学部)。
l 展示用例抽取结果:[['PERSON', '屠呦呦'], ['TIME', '1930年12月30日'], ['LOCATION', '浙江宁波'], ['TIME', '1951年'], ['ORGANIZATION', '北京大学'], ['ORGANIZATION', '医学院药学'], ['TIME', '1955年'], ['ORGANIZATION', '北京医学院'], ['ORGANIZATION', '北京大学医学部']]
1.3.3实验结果:
l 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:
9 实验结果图
l 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:
数据集 | 训练时长增长比例 | F1值提升比例 |
---|---|---|
30W | 1.2倍 | 0.25% |
50W | 1.2倍 | 0.17% |
250W | 1.2倍 | 0.11% |
10 效能对比表
1.3.4结论:
1) BertNER在小数据集甚至极小数据集的情况下,测试集F1值均能达到92以上的水平,证明其也能在常见的文本命名实体识别任务中达到同样优秀的效果。
2) 实验结果证明,利用小数据集训练,可以大大降低人工标注成本的同时,训练时长也越少,也将极大地提高模型迭代的能力,有利于更多实体类型的NER模型构建。
3) 经过效能分析可以看出,数据量往上增加的同时,训练时长以相同的比例增加,而F1值提升的幅度在逐渐下降。因此,我们在扩充实体类别的时候,可以参考此效能比例,从而衡量所要投入的资源以及所能达到的模型效果。
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、Pyltp、PkuSeg、 THULAC 。
工具分类 | 平均速度 | 用户自定义词典 | 集成程度 | 来源 |
---|---|---|---|---|
Jieba | 6ms | 支持,不与模型加载 | 分词可单独使用 | 百度员工 |
Pyltp | 2ms | 作为特征加载到模型中 | 分词、词性标注均可单独使用 | 哈工大 |
PkuSeg | 1.4s | 支持,与模型加载 | 分词可单独使用 | 北京大学 |
THULAC | 1.6s | 支持,与模型加载 | 分词可单独使用 | 清华大学 |
11
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:
12
2.2.2效果对比:
l Jieba:
13
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)
l Pyltp:
14
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)
l PkuSeg:
15
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)
l THULAC:
16
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:
17
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、Stanford coreNLP、AllenNLP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:
18
3.2.3结果:
分类 | 结果 |
---|---|
主语 | 屠呦呦 |
词性标注 | [('屠', 'NR'), ('呦呦', 'NR')] |
命名实体识别 | [('屠', 'O'), ('呦呦', 'O')] |
19
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:
20
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:
21
3.3.2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。
22
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。
23
4.1.3测试用例结果展示:
24
---
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
机构 | 逸立学院AI Lab
研究方向 | 自然语言处理、信息抽取、知识图谱