CS224d 单隐层全连接网络处理英文命名实体识别tensorflow

Posted 2020-09-14 Point

什么是NER？

命名实体识别（NER）是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。命名实体识别是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，作为结构化信息提取的重要步骤。

NER具体任务

1.确定实体位置 2.确定实体类别

给一个单词，我们需要根据上下文判断，它属于下面四类的哪一个，如果都不属于，则类别为0，即不是实体，所以这是一个需要分成 5 类的问题：

• Person (PER)
• Organization (ORG)
• Location (LOC)
• Miscellaneous (MISC)

训练数据有两列，第一列是单词，第二列是标签。

EU    ORG
rejects    O
German    MISC
Peter    PER
BRUSSELS    LOC

2.模型：

输入层的 x^(t) 为以 x_t 为中心的窗口大小为3的上下文语境，x_t 是 one-hot 向量，x_t 与 L 作用后就是相应的词向量，词向量的长度为 d = 50 ：

建立一个只有一个隐藏层的神经网络，隐藏层维度是 100，y^ 就是得到的预测值，维度是 5：

用交叉熵来计算误差：

loss(J)对各个参数进行求导：

链式法则

在 TensorFlow 中求导是自动实现的，这里用Adam优化算法更新梯度，不断地迭代，使得loss越来越小直至收敛。

3.具体实现：

在 def test_NER() 中，我们进行 max_epochs 次迭代，每次，用 training data 训练模型 得到一对 train_loss, train_acc，再用这个模型去预测 validation data，得到一对 val_loss, predictions，我们选择最小的 val_loss，并把相应的参数 weights 保存起来，最后我们是要用这些参数去预测 test data 的类别标签：

def test_NER():

  config = Config()
  with tf.Graph().as_default():
    model = NERModel(config)   

    init = tf.initialize_all_variables()
    saver = tf.train.Saver()

    with tf.Session() as session:
    # 最好的值时，它的 loss 它的 迭代次数 epoch
      best_val_loss = float(\'inf\') 
      best_val_epoch = 0

      session.run(init)
      for epoch in xrange(config.max_epochs):
        print \'Epoch {}\'.format(epoch)
        start = time.time()
        ###
        train_loss, train_acc = model.run_epoch(session, model.X_train,
                                                model.y_train)   
        # 2.用这个model去预测 dev 数据，得到loss 和 prediction
        val_loss, predictions = model.predict(session, model.X_dev, model.y_dev)  
        print \'Training loss: {}\'.format(train_loss)
        print \'Training acc: {}\'.format(train_acc)
        print \'Validation loss: {}\'.format(val_loss)
        if val_loss < best_val_loss:            
          best_val_loss = val_loss
          best_val_epoch = epoch
          if not os.path.exists("./weights"):
            os.makedirs("./weights")

          saver.save(session, \'./weights/ner.weights\')   
        if epoch - best_val_epoch > config.early_stopping:
          break
        ###
        # 把 dev 的lable数据放进去，计算prediction的confusion
        confusion = calculate_confusion(config, predictions, model.y_dev) 
        print_confusion(confusion, model.num_to_tag)
        print \'Total time: {}\'.format(time.time() - start)
      # 再次加载保存过的 weights，用 test 数据做预测，得到预测结果
      saver.restore(session, \'./weights/ner.weights\')    
      print \'Test\'
      print \'=-=-=\'
      print \'Writing predictions to q2_test.predicted\'
      _, predictions = model.predict(session, model.X_test, model.y_test)
      save_predictions(predictions, "q2_test.predicted")   

if __name__ == "__main__":
  test_NER()

4.模型训练过程：

• 首先导入数据 training，validation，test：

# Load the training set
docs = du.load_dataset(\'data/ner/train\')

# Load the dev set (for tuning hyperparameters)
docs = du.load_dataset(\'data/ner/dev\')

# Load the test set (dummy labels only)
docs = du.load_dataset(\'data/ner/test.masked\')

• 把单词转化成 one-hot 向量后，再转化成词向量：

def add_embedding(self):
    # The embedding lookup is currently only implemented for the CPU
    with tf.device(\'/cpu:0\'):

      embedding = tf.get_variable(\'Embedding\', [len(self.wv), self.config.embed_size])   
      # lookup window大小的context的word embedding
      window = tf.nn.embedding_lookup(embedding, self.input_placeholder)               
      window = tf.reshape(
        window, [-1, self.config.window_size * self.config.embed_size])

      return window

• 建立神经层，包括用 xavier 去初始化第一层， L2 正则化和用 dropout 来减小过拟合的处理：

def add_model(self, window):

    with tf.variable_scope(\'Layer1\', initializer=xavier_weight_init()) as scope:        
      W = tf.get_variable(                                              
          \'W\', [self.config.window_size * self.config.embed_size,
                self.config.hidden_size])
      b1 = tf.get_variable(\'b1\', [self.config.hidden_size])
      h = tf.nn.tanh(tf.matmul(window, W) + b1)
      if self.config.l2:                                                
          tf.add_to_collection(\'total_loss\', 0.5 * self.config.l2 * tf.nn.l2_loss(W))    

    with tf.variable_scope(\'Layer2\', initializer=xavier_weight_init()) as scope:
      U = tf.get_variable(\'U\', [self.config.hidden_size, self.config.label_size])
      b2 = tf.get_variable(\'b2\', [self.config.label_size])
      y = tf.matmul(h, U) + b2
      if self.config.l2:
          tf.add_to_collection(\'total_loss\', 0.5 * self.config.l2 * tf.nn.l2_loss(U))
    output = tf.nn.dropout(y, self.dropout_placeholder)                                  
    return output

• 用 cross entropy 来计算 loss：

def add_loss_op(self, y):

    cross_entropy = tf.reduce_mean(                                     
        tf.nn.softmax_cross_entropy_with_logits(y, self.labels_placeholder))               
    tf.add_to_collection(\'total_loss\', cross_entropy)        
    loss = tf.add_n(tf.get_collection(\'total_loss\'))        

    return loss

• 接着用 Adam Optimizer 把loss最小化：

 def add_training_op(self, loss):

    optimizer = tf.train.AdamOptimizer(self.config.lr)
    global_step = tf.Variable(0, name=\'global_step\', trainable=False)
    train_op = optimizer.minimize(loss, global_step=global_step)   
    return train_op

每一次训练后，得到了最小化 loss 相应的 weights。

完整程序见：code