NER-命名实体识别 入门解读

NER在NLP领域算一个非常基础的问题，可以广泛应用于信息抽取、搜索引擎优化、情感分析、问答系统、推荐系统、市场营销等领域。主要方法有sequence labeling（序列标注）、interval prediction（区间预测）和question answering（问答）三种方法。

写在前面：刚入门NER时，读一些顶会的最新文章存在困难，在学习基础知识时整理了一些内容并加上了个人理解，可能也只适合初学者，如有不对之处，欢迎批评指正。

目录

一、序列标注

二、区间预测

三、问答方法

一、序列标注

        将NER任务转换为序列标注问题，首先需要有一个数据集定义输入输出的格式，例如输入分词后的结果【“张三”，“在”，“北京”，“大学”，“读书”】，采用BIO序列标注法输出标签为【“B-PER”,"O","B-ORG","I-ORG","O"】，B代表实体的开始，I代表实体的一部分，O表示非实体部分。其余还有BIOES等标注方法。

        然后采用词向量嵌入作为选择的特征输入给模型，词向量因为具有语义相关性，例如“国王”和“王后”的词向量更相近，而和“苹果”的向量相距较远，因此能帮助识别实体类型，且和独热编码比起来拥有稠密的分布，能节省计算资源而广泛使用。

        词向量的训练方式主要有Word2Vec和GloVe，由于有些词具有多种语义因此还可以融合上下文信息。最后选择模型，之前的主要是统计模型：HMM（隐马尔可夫模型）和CRF（条件随机场），后来发展为深度学习模型：CNN、LSTM，再后来是预训练模型例如BERT，最后将词向量和标签喂给模型训练，就能实现输入一个句子模型输出其中的实体和实体类型。

        By the way，说下为什么需要标注"B-PER"而不能直接写“PER”（这是我当时的疑惑），这样做主要是为了区分什么是同一实体，什么是不同实体，例如【“清华”，“大学”，“在”，“北京”，“大学”，“旁边”】，如果正常的话我们标注为【“B-ORG”，“I-ORG”,"O","B-ORG","I-ORG","O"】,如果追求方便直接标实体类型的话就成了【“ORG”,“ORG”,“O”,“ORG”,“ORG”,“O”】不知道前两个实体是一个实体，后两个实体是另一个实体。

        序列标注的关键就是为输入文本的每一个token分配一个标签。

二、区间预测

        区间预测方法和序列标注方法在流程上具有很多的相似之处，最大的不同是在数据集标注上，区间预测给出了实体的区间范围，下面是一个例子

输入文本："Barack Obama was born in Hawaii."

输出标签：

{
  "Barack Obama": {"type": "PERSON", "span": ["0", "12"]},
  "Hawaii": {"type": "LOCATION", "span": ["25", "31"]}
}

        标注方法是两种方法的主要不同，在词向量嵌入和模型训练方面基本一致，在输出和损失函数选择方面根据情况可能略有不同。序列标注的方法更适合一些细粒度的标注，而区间方法对于一些重叠实体更灵活

三、问答方法

        使用问答（QA）方法解决命名实体识别（NER）任务是一种新颖的思路，提出问题的个数是N*T，N个句子，T种实体类型。

        输入表示：question+text，另外[CLS] 和 [SEP] 是在许多基于 Transformer 的自然语言处理模型（如 BERT）中使用的特殊标记。它们的作用分别是提示整体的开始以及分隔中间文本。在具体使用中可以这样使用：[CLS]文本中提到的人名是什么[SEP]张三在北京大学读书。

        模型选择：可以使用预训练的问答模型，如BERT、RoBERTa、ALBERT等，或构建一个新的QA模型。模型的选择应根据具体任务和数据集的特点来定。

        个人实际上感觉就是加了个prompt，向训练好的LLM直接提问得到答案，自己需要做的就是一些微调，严格来说不能是一个独立的方法，下面是一个demo。

import os

# 设置模型缓存路径,默认在C盘Users/用户名/.cache
os.environ["TRANSFORMERS_CACHE"] = "D:\\transformers_cache"  # Windows

from transformers import pipeline

# 现在可以使用 pipeline加载问答模型
qa_pipeline = pipeline("question-answering")

# 输入文本
context = """
Tom has lived in Canada for three years.
"""

# 需要识别的实体
questions = [
    "What is the preson name in the context",
    "What is the location in the context",
    "What is the time in the context"

]
# 执行问答
for question in questions:
    result = qa_pipeline(question=question, context=context)
    print(f"Q: {question}\nA: {result['answer']}\n")

执行代码前，确保安装了pytorch和transformers库

输出结果

Q: What is the preson name in the context
A: Tom

Q: What is the location in the context
A: Canada

Q: What is the time in the context
A: three years

以上就是今天要讲的内容，本文仅仅简单介绍了解决NER任务的三种传统重要方法，后续会针对这三种传统NER方法的缺点解读一些改进方法的文章。