1. 程式人生 > >NLP(二十四)利用ALBERT實現命名實體識別

NLP(二十四)利用ALBERT實現命名實體識別

  本文將會介紹如何利用ALBERT來實現`命名實體識別`。如果有對`命名實體識別`不清楚的讀者,請參考筆者的文章[NLP入門(四)命名實體識別(NER)](https://blog.csdn.net/jclian91/article/details/84073265) 。   本文的專案結構如下: ![專案結構](https://img-blog.csdnimg.cn/20200311214144500.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70)   其中,`albert_zh`為ALBERT提取文字特徵模組,這方面的程式碼已經由別人開源,我們只需要拿來使用即可。data目錄下為我們本次講解所需要的資料,圖中只有example開頭的資料集,這是人民日報的標註語料,實體為人名(PER)、地名(LOC)和組織機構名(ORG)。資料集一行一個字元以及標註符號,標註系統採用`BIO`系統,我們以example.train的第一句為例,標註資訊如下: ``` 海 O 釣 O 比 O 賽 O 地 O 點 O 在 O 廈 B-LOC 門 I-LOC 與 O 金 B-LOC 門 I-LOC 之 O 間 O 的 O 海 O 域 O 。 O ```   在`utils.py`檔案中,配置了一些關於檔案路徑和模型引數方面的資訊,其中規定了輸入的文字長度最大為128,程式碼如下: ```python # -*- coding: utf-8 -*- # author: Jclian91 # place: Pudong Shanghai # time: 2020-03-11 21:12 # 資料相關的配置 event_type = "example" train_file_path = "./data/%s.train" % event_type dev_file_path = "./data/%s.dev" % event_type test_file_path = "./data/%s.test" % event_type # 模型相關的配置 MAX_SEQ_LEN = 128 # 輸入的文字最大長度 ```   在`load_data.py`檔案中,我們將處理訓練集、驗證集和測試集資料,並將標籤轉換為id,形成label2id.json檔案,程式碼如下: ```python # -*- coding: utf-8 -*- # author: Jclian91 # place: Pudong Shanghai # time: 2020-03-11 10:04 import json from utils import train_file_path, event_type # 讀取資料集 def read_data(file_path): # 讀取資料集 with open(file_path, "r", encoding="utf-8") as f: content = [_.strip() for _ in f.readlines()] # 新增原文句子以及該句子的標籤 # 讀取空行所在的行號 index = [-1] index.extend([i for i, _ in enumerate(content) if ' ' not in _]) index.append(len(content)) # 按空行分割,讀取原文句子及標註序列 sentences, tags = [], [] for j in range(len(index)-1): sent, tag = [], [] segment = content[index[j]+1: index[j+1]] for line in segment: sent.append(line.split()[0]) tag.append(line.split()[-1]) sentences.append(''.join(sent)) tags.append(tag) # 去除空的句子及標註序列,一般放在末尾 sentences = [_ for _ in sentences if _] tags = [_ for _ in tags if _] return sentences, tags # 讀取訓練集資料 # 將標籤轉換成id def label2id(): train_sents, train_tags = read_data(train_file_path) # 標籤轉換成id,並儲存成檔案 unique_tags = [] for seq in train_tags: for _ in seq: if _ not in unique_tags: unique_tags.append(_) label_id_dict = dict(zip(unique_tags, range(1, len(unique_tags) + 1))) with open("%s_label2id.json" % event_type, "w", encoding="utf-8") as g: g.write(json.dumps(label_id_dict, ensure_ascii=False, indent=2)) if __name__ == '__main__': label2id() ``` 執行程式碼,生成的example_label2id.json檔案如下: ``` { "O": 1, "B-LOC": 2, "I-LOC": 3, "B-PER": 4, "I-PER": 5, "B-ORG": 6, "I-ORG": 7 } ``` 生成該檔案是為了方便我們後邊的模型訓練和預測的時候呼叫。   接著就是最重要的模型訓練部分了,模型的結構圖如下: ![模型結構圖](https://img-blog.csdnimg.cn/2020031121524242.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70) 我們採用ALBERT作為文字特徵提取,後接經典的序列標註演算法——Bi-LSTM演算法。`albert_model_train.py`的完整程式碼如下: ```python # -*- coding: utf-8 -*- import json import numpy as np from keras.models import Model, Input from keras.layers import Dense, Bidirectional, Dropout, LSTM, TimeDistributed, Masking from keras.utils import to_categorical, plot_model from seqeval.metrics import classification_report import matplotlib.pyplot as plt from utils import event_type from utils import MAX_SEQ_LEN, train_file_path, test_file_path, dev_file_path from load_data import read_data from albert_zh.extract_feature import BertVector # 利用ALBERT提取文字特徵 bert_model = BertVector(pooling_strategy="NONE", max_seq_len=MAX_SEQ_LEN) f = lambda text: bert_model.encode([text])["encodes"][0] # 讀取label2id字典 with open("%s_label2id.json" % event_type, "r", encoding="utf-8") as h: label_id_dict = json.loads(h.read()) id_label_dict = {v:k for k,v in label_id_dict.items()} # 載入資料 def input_data(file_path): sentences, tags = read_data(file_path) print("sentences length: %s " % len(sentences)) print("last sentence: ", sentences[-1]) # ALBERT ERCODING print("start ALBERT encding") x = np.array([f(sent) for sent in sentences]) print("end ALBERT encoding") # 對y值統一長度為MAX_SEQ_LEN new_y = [] for seq in tags: num_tag = [label_id_dict[_] for _ in seq] if len(seq) < MAX_SEQ_LEN: num_tag = num_tag + [0] * (MAX_SEQ_LEN-len(seq)) else: num_tag = num_tag[: MAX_SEQ_LEN] new_y.append(num_tag) # 將y中的元素編碼成ont-hot encoding y = np.empty(shape=(len(tags), MAX_SEQ_LEN, len(label_id_dict.keys())+1)) for i, seq in enumerate(new_y): y[i, :, :] = to_categorical(seq, num_classes=len(label_id_dict.keys())+1) return x, y # Build model def build_model(max_para_length, n_tags): # Bert Embeddings bert_output = Input(shape=(max_para_length, 312, ), name="bert_output") # LSTM model lstm = Bidirectional(LSTM(units=128, return_sequences=True), name="bi_lstm")(bert_output) drop = Dropout(0.1, name="dropout")(lstm) out = TimeDistributed(Dense(n_tags, activation="softmax"), name="time_distributed")(drop) model = Model(inputs=bert_output, outputs=out) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 模型結構總結 model.summary() plot_model(model, to_file="albert_bi_lstm.png", show_shapes=True) return model # 模型訓練 def train_model(): # 讀取訓練集,驗證集和測試集資料 train_x, train_y = input_data(train_file_path) dev_x, dev_y = input_data(dev_file_path) test_x, test_y = input_data(test_file_path) # 模型訓練 model = build_model(MAX_SEQ_LEN, len(label_id_dict.keys())+1) history = model.fit(train_x, train_y, validation_data=(dev_x, dev_y), batch_size=32, epochs=10) model.save("%s_ner.h5" % event_type) # 繪製loss和acc影象 plt.subplot(2, 1, 1) epochs = len(history.history['loss']) plt.plot(range(epochs), history.history['loss'], label='loss') plt.plot(range(epochs), history.history['val_loss'], label='val_loss') plt.legend() plt.subplot(2, 1, 2) epochs = len(history.history['acc']) plt.plot(range(epochs), history.history['acc'], label='acc') plt.plot(range(epochs), history.history['val_acc'], label='val_acc') plt.legend() plt.savefig("%s_loss_acc.png" % event_type) # 模型在測試集上的表現 # 預測標籤 y = np.argmax(model.predict(test_x), axis=2) pred_tags = [] for i in range(y.shape[0]): pred_tags.append([id_label_dict[_] for _ in y[i] if _]) # 因為存在預測的標籤長度與原來的標註長度不一致的情況,因此需要調整預測的標籤 test_sents, test_tags = read_data(test_file_path) final_tags = [] for test_tag, pred_tag in zip(test_tags, pred_tags): if len(test_tag) == len(pred_tag): final_tags.append(test_tag) elif len(test_tag) < len(pred_tag): final_tags.append(pred_tag[:len(test_tag)]) else: final_tags.append(pred_tag + ['O'] * (len(test_tag) - len(pred_tag))) # 利用seqeval對測試集進行驗證 print(classification_report(test_tags, final_tags, digits=4)) if __name__ == '__main__': train_model() ```   模型訓練過程中的輸出結果如下(部分輸出省略): ``` sentences length: 20864 last sentence: 思想自由是對自我而言,用中國傳統的說法是有所為;相容幷包是指對待他人,要有所不為。 start ALBERT encding end ALBERT encoding sentences length: 2318 last sentence: 良性腫瘤、惡性腫瘤雖然只是一字之差,但兩者有根本性的差別。 start ALBERT encding end ALBERT encoding sentences length: 4636 last sentence: 因此,村民進行民主選舉的心態是在這樣一種背景映襯下加以表現的,這無疑給該片增添了幾分厚重的歷史文化氛圍。 start ALBERT encding end ALBERT encoding _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= bert_output (InputLayer) (None, 128, 312) 0 _________________________________________________________________ bi_lstm (Bidirectional) (None, 128, 256) 451584 _________________________________________________________________ dropout (Dropout) (None, 128, 256) 0 _________________________________________________________________ time_distributed (TimeDistri (None, 128, 8) 2056 ================================================================= Total params: 453,640 Trainable params: 453,640 Non-trainable params: 0 _________________________________________________________________ Train on 20864 samples, validate on 2318 samples ...... ...... ...... 20864/20864 [==============================] - 97s 5ms/step - loss: 0.0091 - acc: 0.9969 - val_loss: 0.0397 - val_acc: 0.9900 precision recall f1-score support ORG 0.9001 0.9112 0.9056 2185 LOC 0.9383 0.8898 0.9134 3658 PER 0.9543 0.9415 0.9479 1864 micro avg 0.9310 0.9084 0.9196 7707 macro avg 0.9313 0.9084 0.9195 7707 ``` 在測試集上的F1值為91.96%。同時,訓練過程中的loss和acc曲線如下圖: ![訓練過程中的loss和acc曲線圖](https://img-blog.csdnimg.cn/20200311222742526.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx,size_16,color_FFFFFF,t_70)   模型預測部分的程式碼(指令碼為model_predict.py)如下: ```python # -*- coding: utf-8 -*- # author: Jclian91 # place: Pudong Shanghai # time: 2020-03-11 13:16 import json import numpy as np from albert_zh.extract_feature import BertVector from keras.models import load_model from collections import defaultdict from pprint import pprint from utils import MAX_SEQ_LEN, event_type # 讀取label2id字典 with open("%s_label2id.json" % event_type, "r", encoding="utf-8") as h: label_id_dict = json.loads(h.read()) id_label_dict = {v: k for k, v in label_id_dict.items()} # 利用ALBERT提取文字特徵 bert_model = BertVector(pooling_strategy="NONE", max_seq_len=MAX_SEQ_LEN) f = lambda text: bert_model.encode([text])["encodes"][0] # 載入模型 ner_model = load_model("%s_ner.h5" % event_type) # 從預測的標籤列表中獲取實體 def get_entity(sent, tags_list): entity_dict = defaultdict(list) i = 0 for char, tag in zip(sent, tags_list): if 'B-' in tag: entity = char j = i+1 entity_type = tag.split('-')[-1] while j < min(len(sent), len(tags_list)) and 'I-%s' % entity_type in tags_list[j]: entity += sent[j] j += 1 entity_dict[entity_type].append(entity) i += 1 return dict(entity_dict) # 輸入句子,進行預測 while 1: # 輸入句子 text = input("Please enter an sentence: ").replace(' ', '') # 利用訓練好的模型進行預測 train_x = np.array([f(text)]) y = np.argmax(ner_model.predict(train_x), axis=2) y = [id_label_dict[_] for _ in y[0] if _] # 輸出預測結果 pprint(get_entity(text, y) ``` 隨機在網上找幾條新聞測試,結果如下: >Please enter an sentence: 昨天進行的女單半決賽中,陳夢4-2擊敗了隊友王曼昱,伊藤美誠則以4-0橫掃了中國選手丁寧。 {'LOC': ['中國'], 'PER': ['陳夢', '王曼昱', '伊藤美誠', '丁寧']} Please enter an sentence: 報道還提到,德國衛生部長延斯·施潘在會上也表示,如果不能率先開發出且使用疫苗,那麼60%至70%的人可能會被感染新冠病毒。 {'ORG': ['德國衛生部'], 'PER': ['延斯·施潘']} Please enter an sentence: “隔離結束回來,發現公司不見了”,網上的段子,真發生在了崑山達鑫電子有限公司員工身上。 {'ORG': ['崑山達鑫電子有限公司']} Please enter an sentence: 真人版的《花木蘭》由紐西蘭導演妮基·卡羅執導,由劉亦菲、甄子丹、鄭佩佩、鞏俐、李連杰等加盟,幾乎是全亞洲整容。 {'LOC': ['紐西蘭', '亞洲'], 'PER': ['妮基·卡羅', '劉亦菲', '甄子丹', '鄭佩佩', '鞏俐', '李連杰']}   本專案已經開源,Github網址為:[https://github.com/percent4/ALBERT_NER_KERAS](https://github.com/percent4/ALBERT_NER_KERAS) 。   本文到此結束,感謝大家閱讀,歡迎關注筆者的微信公眾號:`Python爬蟲與算