作者及其单位：北京邮电大学，张俊遥，2019年6月，硕士论文
摘要
实验数据：来源于网络公开的新闻文本数据；用随机欠采样和过采样的方法解决分类不均衡问题；使用BIO格式的标签识别5类命名实体，标注11种标签。
学习模型：基于RNN-CRF框架，提出Bi-GRU-Attention模型；基于改进的ELMo可移植模型。
一，绪论
1，研究背景及意义
研究背景主要介绍的是时代背景及
NER的应用领域。
2，研究现状
1）基于规则和词典的方法；
2）基于统计的方法：语言的
N元模型，隐马尔科夫模型，最大熵模型，条件随机场，支持向量机，决策树，基于转换的学习方法；3）基于深度学习的方法：基于双向循环神经网络与条件随机场结合的框架；基于标签转移与窗口滑动的方法；注意力机制(
Attention)；4）基于迁移学习的方法。
面临挑战：
1）中文命名实体界限难划分；
2）中文命名实体结构更多样复杂；
3）中文命名实体分类标准不同，划分标注结果不同。
3，研究内容
1）数据集收集与预处理；
2）基于双向循环神经网络与条件随机场模型的研究；
3）基于
ELMo的可移植模型研究。
二，相关技术
1，基于循环神经网络方法的技术
1）神经单元结构：循环是指一个神经单元的计算是按照时间顺序展开依次进行的过程。具有记忆特征，常用来处理与序列相关的问题。
2）循环神经网络的发展：
LSTM取代CNN，主要是解决CNN单元的反向传播的计算问题。3）深层网络搭建：
Dropout常被用作防止模型过拟合，减少网络冗余度，增加模型鲁棒性；批量归一化策略是批量梯度下降算法过程的一项操作；clip是一种有效控制梯度爆炸的算法。4）目标函数，即损失函数，衡量经过模型计算的预测结果和事实上的结果之间的差距。如：平方差，交叉熵，
softmax。5）注意力机制：论文研究了在
LSTM中引入注意力机制。6）
Adam优化算法：适合解决梯度稀疏或噪音较高的优化问题。
2，基于迁移学习方法的技术
1）基本思想：
（1）预训练的两种基本思路：
a）基于共同表示形式的思路：电子文本大多以某种向量形式（词，句，段，文本）表示输入到网络中，如
ELMo模型。b）基于网络微调的思想：借鉴机器视觉领域的模型思想，在预训练好的模型上加入针对任务的功能层，在对后几层进行结构和参数设置的精调。
2）语言模型：双向语言模型
3）词向量技术：
One-hot向量，稀疏向量和稠密向量。（1）基于统计的方法
a）基于共现矩阵的方法：在设定的窗口大小内，统计了一个句子中词语前后相邻出现的次数，使用这个次数构成的向量当作词向量，这个向量比较稀疏。
b）奇异值分解的方法：可以看作一种降维过程，把稀疏矩阵压缩为稠密矩阵的过程。
（2）基于语言模型的方法：
a）跳字模型（
skip-gram）：使用一个词来预测上下文词语；b）连续词袋模型（
CBOW）：使用周围词语预测中心词；c）
ELMo模型：词向量表达过程是动态的，即一词多义下的词向量完全不同。4）混淆矩阵：数据科学，数据分析和机器学习中统计分类的实际结果和预测结果的表格表示。
三，命名实体识别任务与数据集
1，命名实体识别任务
1）定义：命名实体识别属于序列标注类问题，分为三大类（实体类，数量类，时间类），七小类（人名，地名，组织名，日期，时间，货币或者百分比）。
2）任务过程：准确划分出命名实体的边界，并将命名实体进行正确的分类。
3）判别标准：（1）准确划分出命名实体的边界；（2）命名实体的标注分类正确；（3）命名实体内部位置标注有序。
$$
准确率=\frac{标注结果正确的数量}{标注结果的数量}\times{100%} \召回率=\frac{标注命名实体正确的数量}{标注命名实体的数量}\times{100%}\F_1=\frac{(\beta^{2}+1)\times 准确率\times 召回率}{(\beta^{2}\times 准确率) + 召回率}\times{100%}
$$
2，数据集收集与处理
1）数据源：本论文数据来源于搜狗实验室公开的2012年6月到7月期间的国内外国际、体育、社会、娱乐等18类新闻文本。
2）数据处理：
jieba+盘古工具，本文研究NER分为五类：人名（58136），地名（87412），机构名（5142），时间（75491），数量（148392）。数据集（句子个数）分：训练集（197828），验证集（8994），测试集（3485）。
四，基于改进的神经网络与注意力机制结合的研究
1，RNN-CRF框架
1）框架结构：以
Bi-LSTM-CRF模型为例，包括字嵌入层（字量化表示，输入到神经网络），Bi-LSTM神经网络层（双向网络记录了上下文信息，据此共同训练计算当前的字的新向量表示，其输出字或词的向量维度与神经单元数量有关），CRF层（进行进一步标签顺序的规则学习）。2）模型原理：将输入的语句转换为词向量，然后输入到
LSTM网络计算，接着在CRF层中计算输出标签，根据定义的目标函数计算损失，使用梯度下降等算法更新模型中的参数。
2，改进与设计
1）改进的思想与结构设计：改进思路就是简化神经单元结构，本文使用双向的
GRU结构代替LSTM单元结构，使用神经网络与注意力机制结合。2）改进的模型设计
3，实验与分析
1）实验思路是以
Bi-LSTM-CRF为基础，并进行网络优化，对比本文提出的Bi-GRU-Attention模型。
实验一：Bi-LSTM网络参数
| 参数名称 | 数值 |
|---|---|
| batch_size | 20 |
| max_num_steps | 20 |
| 优化器 | Admin |
| 初始学习率 | 0.001 |
| 衰减率 | 0.8 |
| clip | 5 |
| one-hot_dim | 11 |
实验二：GRU-Attention模型实验参数
| 参数 | 数值 |
|---|---|
| batch_size | 20 |
| char_dim | 100 |
| max_num_steps | 20 |
| 神经单元数 | 128 |
| 优化器 | Adam |
| 初始学习率 | 0.001 |
| 衰减率 | 0.8 |
| one-hot_dim | 11 |
| epoch | 100 |
实验结果如下：
| 分类/F1/模型 | Bi-LSTM-CRF | Bi-LSTM-Attention | Bi-GRU-CRF | Bi-GRU-Attention |
|---|---|---|---|---|
| 人名 | 82.32% | 82.45% | 82.22% | 82.42% |
| 地名 | 89.97% | 90.19% | 89.93% | 91.06% |
| 机构名 | 91.94% | 91.96% | 91.94% | 91.95% |
| 数量 | 94.98% | 95.06% | 95.01% | 95.26% |
| 时间 | 96.05% | 96.14% | 96.06% | 96.14% |
五，基于ELMo的可移植模型研究
1，改进的ELMo模型设计
ELMo模型在2018年由Peter提出，Peter团队使用双层的循环神经网络实现模型的预先训练。本章基于Peter的ELMo模型设计，提出了直通结构，实现词向量的提前训练模型。1）模型原理：
Peters使用CNN-BIG-LSTM网络实现模型，使用卷积神经网络实现字符编码，使用两层双向循环神经网络实现词向量的训练模型。2）改进与设计：本文使用改进的
ELMo预先训练模型包含输入层，卷积神经网络7层，双向神经网络2层，输出层结构。
2，基于ELMo的嵌入式模型设计
1）连接结构：在模型嵌入的衔接层中，本文使用维度映射的方法，将不同维度的输入输出维度进行统一。
2）模型设计：本文的嵌入
ELMo模型，包含ELMo层，衔接层，神经网络层，注意力层和输出调整层结构。
3，实验
实验参数配置如下：
1）ELMo模型实验参数
| 参数名称 | 数值 |
|---|---|
| word_dim | 100 |
| char_dim | 50 |
| activation | ReLU |
| 每层神经单元数目 | 512 |
| 优化器 | Adam |
| 初始学习率 | 0.001 |
| lr_decay | 0.8 |
| clip | 3 |
2）卷积神经网络参数
| 卷积层 | 输出词向量维度 | 过滤器个数 |
|---|---|---|
| conv1 | 32 | 32 |
| conv2 | 32 | 32 |
| conv3 | 64 | 64 |
| conv4 | 128 | 128 |
| conv5 | 256 | 256 |
| conv6 | 512 | 512 |
| conv7 | 1024 | 1024 |
3）移植模型实验参数
| 参数名称 | 数值 |
|---|---|
| batch_size | 20 |
| char_dim | 100 |
| max_num_steps | 20 |
| 神经单元数 | 128 |
| 优化器 | Adam |
| 初始化学习率 | 0.001 |
| clip | 5 |
| dropout | 0.1 |
| one-hot_dim | 11 |
| epoch | 100 |
实验结果对比：
| 分类/F1/模型 | Bi-LSTM-CRF | Bi-GRU-Attention | 改进的ELMo嵌入模型 |
|---|---|---|---|
| 人名 | 82.32% | 82.42% | 83.14% |
| 地名 | 89.97% | 91.06% | 92.36% |
| 机构名 | 91.94% | 91.95% | 93.02% |
| 数量 | 94.98% | 95.26% | 96.13% |
| 时间 | 96.05% | 96.14% | 96.55% |
六，总结与展望
1，总结
本文主要研究了基于深度学习的中文命名实体识别任务，提出了
Bi-GRU-Attention模型减少训练时间，提升模型准确率；提出了基于改进的ELMo可移植模型，用于应对少量数据集和快速移植不同场景的问题。
2，不足与发展趋势
1）公开的权威的中文文本数据集不足；
2）可以划分更细的领域或分类，分别涉及分类器；
3）基于迁移学习的多任务模型研究是热点。
阅读心得：绪论内容相对详细，结构中规中矩，美中不足缺乏对研究对象现状的介绍，国内外研究现状，要解决的问题以及达到的预期效果未尽阐述。技术要点论述详尽，本文设计实验充分且多角度论证，扩展实验与改进设计也具有一定创新性。通过本篇论文研究学习，在NER领域收获颇多，很多知识有待弥补，如ELMo模型，迁移学习方面需要加强学习。
本文由博客群发一文多发等运营工具平台 OpenWrite 发布
