8.HanLP實現--命名實體識別
筆記轉載於GitHub專案:https://github.com/NLP-LOVE/Introduction-NLP
8. 命名實體識別
8.1 概述
命名實體
文字中有一些描述實體的詞彙。比如人名、地名、組織機構名、股票基金、醫學術語等,稱為命名實體。具有以下共性:
- 數量無窮。比如宇宙中的恆星命名、新生兒的命名不斷出現新組合。
- 構詞靈活。比如中國工商銀行,既可以稱為工商銀行,也可以簡稱工行。
- 類別模糊。有一些地名本身就是機構名,比如“國家博物館”
命名實體識別
識別出句子中命名實體的邊界與類別的任務稱為命名實體識別。由於上述難點,命名實體識別也是一個統計為主、規則為輔的任務。
對於規則性較強的命名實體,比如網址、E-mail、IBSN、商品編號等,完全可以通過正則表示式處理,未匹配上的片段交給統計模型處理。
命名實體識別也可以轉化為一個序列標註問題。具體做法是將命名實體識別附著到{B,M,E,S}標籤,比如, 構成地名的單詞標註為“B/ME/S- 地名”,以此類推。對於那些命名實體邊界之外的單詞,則統一標註為0 ( Outside )。具體實施時,HanLP做了一個簡化,即所有非複合詞的命名實體都標註為S,不再附著類別。這樣標註集更精簡,模型更小巧。
命名實體識別實際上可以看作分詞與詞性標註任務的整合: 命名實體的邊界可以通過{B,M,E,S}確定,其類別可以通過 B-nt 等附加類別的標籤來確定。
HanLP內部提供了語料庫轉換工序,使用者無需關心,只需要傳入 PKU 格式的語料庫路徑即可。
8.2 基於隱馬爾可夫模型序列標註的命名實體識別
之前我們就介紹過隱馬爾可夫模型,詳細見: 4.隱馬爾可夫模型與序列標註
隱馬爾可夫模型命名實體識別程式碼見(自動下載 PKU 語料庫): hmm_ner.py
https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/hmm_ner.py
執行程式碼後結果如下:
華北電力公司/nt 董事長/n 譚旭光/nr 和/c 祕書/n 胡花蕊/nr 來到/v 美國紐約/ns 現代/ntc 藝術/n 博物館/n 參觀/v
其中機構名“華北電力公司”、人名“譚旭光”“胡花蕊”全部識別正確。但是地名“美國紐約現代藝術博物館”則無法識別。有以下兩個原因:
- PKU 語料庫中沒有出現過這個樣本。
- 隱馬爾可夫模型無法利用詞性特徵。
對於第一個原因,只能額外標註一些語料。對於第二個原因可以通過切換到更強大的模型來解決。
8.3 基於感知機序列標註的命名實體識別
之前我們就介紹過感知機模型,詳細見: 5.感知機分類與序列標註
感知機模型詞性標註程式碼見(自動下載 PKU 語料庫): perceptron_ner.py
https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/perceptron_ner.py
執行會有些慢,結果如下:
華北電力公司/nt 董事長/n 譚旭光/nr 和/c 祕書/n 胡花蕊/nr 來到/v [美國紐約/ns 現代/ntc 藝術/n 博物館/n]/ns 參觀/v
與隱馬爾可夫模型相比,已經能夠正確識別地名了。
8.4 基於條件隨機場序列標註的命名實體識別
之前我們就介紹過條件隨機場模型,詳細見: 6.條件隨機場與序列標註
條件隨機場模型詞性標註程式碼見(自動下載 PKU 語料庫): crf_ner.py
https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/crf_ner.py
執行時間會比較長,結果如下:
華北電力公司/nt 董事長/n 譚旭光/nr 和/c 祕書/n 胡花蕊/nr 來到/v [美國紐約/ns 現代/ntc 藝術/n 博物館/n]/ns 參觀/v
得到了結果是一樣的。
8.5 命名實體識別標準化評測
各個命名實體識別模組的準確率如何,並非只能通過幾個句子主觀感受。任何監督學習任務都有一套標準化評測方案,對於命名實體識別,按照慣例引入P、R 和 F1 評測指標。
在1998年1月《人民日報》語料庫上的標準化評測結果如下:
模型 | P | R | F1 |
---|---|---|---|
隱馬爾可夫模型 | 79.01 | 30.14 | 43.64 |
感知機 | 87.33 | 78.98 | 82.94 |
條件隨機場 | 87.93 | 73.75 | 80.22 |
值得一提的是,準確率與評測策略、特徵模板、語料庫規模息息相關。通常而言,當語料庫較小時,應當使用簡單的特徵模板,以防止模型過擬合;當語料庫較大時,則建議使用更多特徵,以期更高的準確率。當特徵模板固定時,往往是語料庫越大,準確率越高。
8.6 自定義領域命名實體識別
以上我們接觸的都是通用領域上的語料庫,所含的命名實體僅限於人名、地名、機構名等。假設我們想要識別專門領域中的命名實體,這時,我們就要自定義領域的語料庫了。
標註領域命名實體識別語料庫
首先我們需要收集一些文字, 作為標註語料庫的原料,稱為生語料。由於我們的目標是識別文字中的戰鬥機名稱或型號,所以生語料的來源應當是些軍事網站的報道。在實際工程中,求由客戶提出,則應當由該客戶提供生語料。語料的量級越大越好,一般最低不少於數千個句子。
生語料準備就緒後,就可以開始標註了。對於命名實體識別語料庫,若以詞語和詞性為特徵的話,還需要標註分詞邊界和詞性。不過我們不必從零開始標註,而可以在HanLP的標註基礎上進行校正,這樣工作量更小。
樣本標註了數千個之後,生語料就被標註成了熟語料。下面程式碼自動下載語料庫。
訓練領域模型
選擇感知機作為訓練演算法(自動下載 戰鬥機 語料庫): plane_ner.py
https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch08/plane_ner.py
執行結果如下:
下載 http://file.hankcs.com/corpus/plane-re.zip 到 /usr/local/lib/python3.7/site-packages/pyhanlp/static/data/test/plane-re.zip 100.00%, 0 MB, 552 KB/s, 還有 0 分 0 秒 米高揚/nrf 設計/v [米格/nr -/w 17/m PF/nx]/np :/w [米格/nr -/w 17/m]/np PF/n 型/k 戰鬥機/n 比/p [米格/nr -/w 17/m P/nx]/np 效能/n 更好/l 。/w [米格/nr -/w 阿帕奇/nrf -/w 666/m S/q]/np 橫空出世/l 。/w
這句話已經在語料庫中出現過,能被正常識別並不意外。我們可以偽造一款“米格-阿帕奇-666S”戰鬥機,試試模型的繁華能力,發現依然能夠正確識別。
8.7 GitHub
HanLP何晗--《自然語言處理入門》筆記:
https://github.com/NLP-LOVE/Introduction-NLP
專案持續更新中......
目錄
章節 |
---|
第 1 章:新手上路 |
第 2 章:詞典分詞 |
第 3 章:二元語法與中文分詞 |
第 4 章:隱馬爾可夫模型與序列標註 |
第 5 章:感知機分類與序列標註 |
第 6 章:條件隨機場與序列標註 |
第 7 章:詞性標註 |
第 8 章:命名實體識別 |
第 9 章:資訊抽取 |
第 10 章:文字聚類 |
第 11 章:文字分類 |
第 12 章:依存句法分析 |
第 13 章:深度學習與自然語言處理 |