基于深度學(xué)習(xí)的中文實(shí)體類型邊界識(shí)別模型研究

摘要：如今英文實(shí)體類型識(shí)別技術(shù)得到快速發(fā)展，但中文文本整體結(jié)構(gòu)較為復(fù)雜，經(jīng)常存在多義現(xiàn)象，同一個(gè)詞在不同的句、不同的位置有不同的含義，這為中文實(shí)體類型識(shí)別技術(shù)的研究發(fā)展造成嚴(yán)重阻礙。同時(shí)，目前常用的實(shí)體類型識(shí)別模型解碼層主要使用機(jī)器學(xué)習(xí)算法，但算法整體提取精度和維特比算法執(zhí)行效率較低，難以滿足當(dāng)前需求。基于以上中文實(shí)體類型識(shí)別難點(diǎn)，基于中文語(yǔ)言特性，提出基于深度學(xué)習(xí)的中文實(shí)體類型邊界識(shí)別模型。此模型主要采用基于多元卷積解碼與二分類模型訓(xùn)練方法，實(shí)現(xiàn)所有輸入通過(guò)自注意力進(jìn)行提取，可有效提高模型訓(xùn)練的針對(duì)性，解決中文實(shí)體類型邊界識(shí)別中詞語(yǔ)歧義等問題。

關(guān)鍵詞：中文實(shí)體類型識(shí)別；混合神經(jīng)網(wǎng)絡(luò)；聯(lián)合學(xué)習(xí)；完全自注意力機(jī)制

一、前言

近年來(lái)，隨著計(jì)算機(jī)硬件、軟件技術(shù)和移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展，人們?nèi)粘Ｉ钪挟a(chǎn)生的數(shù)據(jù)如文本、圖像、視頻、音頻等呈爆炸式增長(zhǎng)。如何對(duì)這些數(shù)據(jù)進(jìn)行分析處理，從中提取有價(jià)值的信息，已成為推動(dòng)經(jīng)濟(jì)社會(huì)發(fā)展和科技進(jìn)步的重要因素[1]。自然語(yǔ)言處理技術(shù)在數(shù)據(jù)處理中具有重要地位，是近年來(lái)科學(xué)研究的一個(gè)重要領(lǐng)域[2]。

本文分析了統(tǒng)計(jì)機(jī)器對(duì)象識(shí)別方法和神經(jīng)網(wǎng)絡(luò)方法，根據(jù)命名對(duì)象識(shí)別函數(shù)的特點(diǎn)，設(shè)計(jì)了多元卷積選擇方案和二元損失函數(shù)學(xué)習(xí)方法，對(duì)所提出的模型進(jìn)行了有效的圖形比較分析以及參數(shù)改良優(yōu)化，與當(dāng)前最優(yōu)化的建模方式進(jìn)行了比較，探究其優(yōu)勢(shì)和劣勢(shì)以及存在的問題原因，并與本文中的模型進(jìn)行驗(yàn)證。

二、基于深度學(xué)習(xí)的中文實(shí)體類型邊界識(shí)別模型的研究

（一）中文實(shí)體識(shí)別

在文本中，對(duì)象識(shí)別是從非結(jié)構(gòu)化文本中提取和分類對(duì)象。該任務(wù)通常會(huì)變成一個(gè)順序標(biāo)記問題進(jìn)行處理。文本以字序列的形式輸入到模型中，得到的結(jié)果是一個(gè)基于文本的對(duì)象標(biāo)記過(guò)程。傳統(tǒng)的識(shí)別方法維護(hù)困難，而近年來(lái)深度識(shí)別方法的快速發(fā)展則避免了這些問題。

對(duì)于中文語(yǔ)境中的自然語(yǔ)言處理操作，它不同于其他語(yǔ)言中的自然語(yǔ)言處理操作。以英語(yǔ)為例，它有明確的分詞界限。在一般描述的情況下，可以通過(guò)基于空格和標(biāo)點(diǎn)符號(hào)指定文本來(lái)獲得處理的基本單元。對(duì)于中文來(lái)說(shuō)，一開始并沒有明確的詞類邊界，所以通常以一個(gè)字符為基本單位的向量表示作為輸入信息，但由于簡(jiǎn)單的詞向量不能表示多義、語(yǔ)法、形態(tài)等信息，因此識(shí)別效果不理想。對(duì)于文本分割的效果，現(xiàn)有的文本分割工具不足以解決這些問題，影響了模型的有效性。

（二）統(tǒng)計(jì)機(jī)器學(xué)習(xí)識(shí)別方法

經(jīng)典的統(tǒng)計(jì)機(jī)器學(xué)習(xí)步驟是先對(duì)原始語(yǔ)料庫(kù)上的復(fù)雜數(shù)據(jù)進(jìn)行預(yù)處理，然后手動(dòng)提取重要特征，形成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，最后選擇分類器進(jìn)行模型訓(xùn)練和評(píng)估[3]。對(duì)于機(jī)器學(xué)習(xí)方法，人工設(shè)計(jì)和特征構(gòu)建是最重要的步驟，特征的好壞決定了最終的識(shí)別結(jié)果[4]。詞提取特征模型組合的特征，分類器隨機(jī)選擇空間進(jìn)行測(cè)試。

（三）神經(jīng)網(wǎng)絡(luò)方法

在神經(jīng)網(wǎng)絡(luò)中，輸入信號(hào)的方式是透過(guò)各個(gè)網(wǎng)絡(luò)層的隱節(jié)點(diǎn)以輸出的過(guò)程作為前向定向傳播，在這個(gè)過(guò)程中，參數(shù)主要通過(guò)梯度反向傳播實(shí)現(xiàn)參數(shù)升級(jí)。在實(shí)際應(yīng)用中，反向傳播是利用鏈?zhǔn)椒▌t遞歸計(jì)算進(jìn)行表達(dá)式梯度的方法，反向傳播從最后一層神經(jīng)元開啟，根據(jù)前向傳播結(jié)果與標(biāo)簽的誤差來(lái)進(jìn)行參數(shù)的優(yōu)化升級(jí)，在此基礎(chǔ)上將所產(chǎn)生的誤差逐層往前傳播并不斷優(yōu)化神經(jīng)元參數(shù)的過(guò)程。一般情況下，在進(jìn)行梯度反向傳播的過(guò)程中通常會(huì)應(yīng)用到梯度下降法作為優(yōu)化算法。在算法中，假設(shè)J（θ）為所對(duì)應(yīng)的目標(biāo)函數(shù)，梯度下降法的主要目標(biāo)是把目標(biāo)函數(shù)降到最小值J（θ）。在變量過(guò)程中，如果所對(duì)應(yīng)的目標(biāo)函數(shù)處于該變量梯度的相反方向，那么必須優(yōu)化對(duì)應(yīng)的參數(shù)值，而學(xué)習(xí)率η跟參數(shù)優(yōu)化的幅度密切相關(guān)，直接決定了函數(shù)到達(dá)（局部）極小值的迭代次數(shù)。換句話說(shuō)，是到達(dá)超平面構(gòu)成的谷底所需要的次數(shù)數(shù)值。

LSTM模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了一定的優(yōu)化升級(jí)，不僅引入新的內(nèi)部狀態(tài)，而且引入了門控機(jī)制。在該模型網(wǎng)絡(luò)結(jié)構(gòu)中，新的內(nèi)部狀態(tài)可以記錄到當(dāng)前時(shí)刻t為止的比較全面的信息，此種網(wǎng)絡(luò)模型結(jié)構(gòu)的作用主要體現(xiàn)在以下兩方面：一是進(jìn)行線性的循環(huán)信息傳遞，二是非線性地輸出信息給隱藏層的外部狀態(tài)。在門控機(jī)制過(guò)程中，LSTM模型引入了三個(gè)門進(jìn)行信息流的有效控制，這三個(gè)門主要包含輸入門、遺忘門以及輸出門。其中，遺忘門的作用主要是為了控制上一個(gè)時(shí)刻的內(nèi)部狀態(tài)需要遺忘的信息量，輸入門的主要作用是控制當(dāng)前時(shí)刻的候選狀態(tài)需要記錄的信息量，而輸出門的主要作用在于控制當(dāng)前時(shí)刻的內(nèi)部狀態(tài)需要輸出的信息量給予外部狀態(tài)。

神經(jīng)網(wǎng)絡(luò)方法的基本原理與機(jī)器學(xué)習(xí)方法的基本原理大致相同。他們都在機(jī)構(gòu)的監(jiān)督下訓(xùn)練和評(píng)估模型。最大的不同是神經(jīng)網(wǎng)絡(luò)的方法提取了模型需要處理的特征，從而完成了數(shù)據(jù)預(yù)處理過(guò)程。更簡(jiǎn)單地說(shuō)，檢測(cè)器會(huì)使用一個(gè)簡(jiǎn)單的多層感知器。因此，最終的實(shí)驗(yàn)結(jié)果取決于神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，一個(gè)好的網(wǎng)絡(luò)可以更有效地提取特征。本文主要基于三種典型的神經(jīng)網(wǎng)絡(luò)模型LSTM、CNN、Transformer來(lái)自動(dòng)抽取特征，分類器使用多層感知機(jī)，并結(jié)合條件隨機(jī)場(chǎng)來(lái)學(xué)習(xí)標(biāo)簽之間的轉(zhuǎn)移概率。

（四）本文模型框架

第一層是嵌入層，其中嵌入方法可以替換為訓(xùn)練之前提出的每一種方法作為最終向量，例如 Word2Vec、ELMo或BERT。

第二層為完全自注意力機(jī)制。我們使用當(dāng)前位置詞查詢向量和每個(gè)關(guān)鍵向量的符號(hào)乘積得到句子中每個(gè)詞的當(dāng)前位置得分，然后用softmax對(duì)其進(jìn)行歸一化。

第三和第四階段是解碼層，由多元卷積變換和softmax函數(shù)組成。它將全自毀系統(tǒng)生成的每個(gè)向量通過(guò)多元卷積變換連接成一個(gè)矩陣和所有向量。將全連接平面中的每個(gè)向量組合起來(lái)，去掉大小為c的維度，然后使用softmax函數(shù)，最高得分稱為該位置的詞或詞對(duì)象識(shí)別符號(hào) 。

此外，本文提出了一種擴(kuò)展編碼技術(shù)。這樣做的目的是豐富每個(gè)單詞的條目作為一個(gè)單獨(dú)的單詞，其中單詞的定義作為單詞的一部分并包含單詞邊界信息。我們可以用高斯核函數(shù)來(lái)計(jì)算每個(gè)術(shù)語(yǔ)的效應(yīng)擴(kuò)散權(quán)重。在高斯核函數(shù)中，u參數(shù)主要針對(duì)當(dāng)前編碼的單詞與句子中其他單詞之間的絕對(duì)位置距離。

三、基于深度學(xué)習(xí)的中文實(shí)體類型邊界識(shí)別模型的構(gòu)建

（一）多元卷積解碼層

本文的模型使用卷積運(yùn)算來(lái)確定編碼層。為了描述所謂的對(duì)象識(shí)別功能，首先將每個(gè)濾波器的卷積結(jié)果連接成一個(gè)一維向量。上述變換過(guò)程可以表示為：

其中，由于該模型中濾波器的行數(shù)等于輸入矩陣的行數(shù)，因此s必須始終為1，v必須滿足0≤t≤k。filter是模板定義的過(guò)濾器，是過(guò)濾器的數(shù)量。

卷積層的輸出與多層感知器相同，最終輸出是一個(gè)1*t維的特征，其中t是命名特征類的數(shù)量。最后，softmax函數(shù)進(jìn)行歸一化。公式是：

d為倒數(shù)第二層的輸出，t為標(biāo)簽種類數(shù)量。

多元卷積變換將它與矩陣中的相鄰字符向量連接起來(lái)并旋轉(zhuǎn)它。提取項(xiàng)目類中每個(gè)過(guò)濾器的特征，得到的向量是項(xiàng)目類中當(dāng)前單詞位置的加權(quán)表示。

（二）基于二分類與多分類的多任務(wù)訓(xùn)練機(jī)制

在解碼階段，我們根據(jù)數(shù)據(jù)集中符號(hào)類型的數(shù)量來(lái)定義過(guò)濾器的數(shù)量。對(duì)于t-group，得到特征向量t。為了轉(zhuǎn)換代碼向量，兩個(gè)多任務(wù)類的損失函數(shù)必須為每個(gè)過(guò)濾器使用的損失函數(shù)分配相應(yīng)的權(quán)重，以提取特征并將它們組合起來(lái)。公式如下：

其中，σ為一個(gè)標(biāo)量的觀測(cè)噪聲。

四、基于深度學(xué)習(xí)的中文實(shí)體類型邊界識(shí)別模型的實(shí)驗(yàn)與分析

（一）實(shí)驗(yàn)配置

測(cè)試過(guò)程中，深度網(wǎng)絡(luò)模型的學(xué)習(xí)對(duì)計(jì)算機(jī)配置有一些要求。例如，深度學(xué)習(xí)需要許多并行計(jì)算資源，通常是數(shù)小時(shí)甚至數(shù)天。顯卡可以提供比CPU快數(shù)十或數(shù)百倍的速度。在深度學(xué)習(xí)方面，Windows操作系統(tǒng)的支持并不比Ubuntu系統(tǒng)多。Windows上的訓(xùn)練模型通常容易出現(xiàn)問題。基于此，所采用的計(jì)算機(jī)配置如表1所示。

（二）實(shí)驗(yàn)數(shù)據(jù)集

本文用于關(guān)系抽取實(shí)驗(yàn)的數(shù)據(jù)是互聯(lián)網(wǎng)上一個(gè)開源的人物關(guān)系數(shù)據(jù)集。該數(shù)據(jù)集中有10種人物關(guān)系，共計(jì)約10萬(wàn)條數(shù)據(jù)。 每個(gè)數(shù)據(jù)段有3列信息，即人物1和人物2，以及人物關(guān)系。選擇其中50，000個(gè)作為訓(xùn)練集，50，000個(gè)作為測(cè)試集。

（三）二分類多損函數(shù)訓(xùn)練實(shí)驗(yàn)

本文將在訓(xùn)練時(shí)修改模型上下文，為每個(gè)濾波器卷積解碼后的輸出向量添加二類實(shí)體標(biāo)簽。 結(jié)果如圖1所示。

可以看出，基于二類多損失函數(shù)的訓(xùn)練方法顯著提高了召回率和召回率。另外，由于每個(gè)后處理的有效率都非常小，所以本文的實(shí)驗(yàn)增加了一個(gè)滿刻度來(lái)擴(kuò)大樣本。加入二分類所損失函數(shù)訓(xùn)練后，準(zhǔn)確率和召回率分別提升了6.5和3.05。加入128個(gè)隱藏神經(jīng)元的全連接層進(jìn)行維度擴(kuò)充后F值又提升了3.36。

（四）實(shí)體邊界識(shí)別效果實(shí)驗(yàn)

本文對(duì)比了BiLSTM-CRF，BiGRU-CRF和中文命名實(shí)體識(shí)別等模型，實(shí)驗(yàn)結(jié)果如圖2所示。

從實(shí)驗(yàn)結(jié)果中，首先可以看出，基于預(yù)訓(xùn)練語(yǔ)言模型BERT的實(shí)體邊界識(shí)別效果要明顯優(yōu)于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，這一點(diǎn)在EM指標(biāo)上提現(xiàn)尤為明顯。這是因?yàn)榛诖罅空Z(yǔ)料預(yù)訓(xùn)練的BERT學(xué)習(xí)的文本上下文編碼遠(yuǎn)豐富于由Skip-gram模型訓(xùn)練的靜態(tài)詞向量。

最后，根據(jù)BERT模型和本文模型的實(shí)驗(yàn)結(jié)果可以看出，融合多元卷積解碼層的實(shí)體邊界識(shí)別任務(wù)是有提升效果的。同時(shí)，針對(duì)本文的研究?jī)?nèi)容，使用二分類與多分類的多任務(wù)訓(xùn)練機(jī)制的效果略好，證明了可以通過(guò)本文模型達(dá)到更好的識(shí)別效果。

五、結(jié)語(yǔ)

在前人提出的深度網(wǎng)絡(luò)方法的基礎(chǔ)上，我們提出了一種基于深度學(xué)習(xí)的中文命名實(shí)體識(shí)別模型，取得了一定的效果，但也存在一些局限性和不足。在未來(lái)的研究中，如果有完整的語(yǔ)料庫(kù)，或者其他相關(guān)領(lǐng)域的良好語(yǔ)料庫(kù)，可以做進(jìn)一步的研究。本文中抽象關(guān)系的實(shí)現(xiàn)是通過(guò)確定主體之間的關(guān)系來(lái)實(shí)現(xiàn)的。本文中文命名實(shí)體識(shí)別中無(wú)關(guān)一對(duì)多、多對(duì)一或多對(duì)多的研究。在未來(lái)的研究中，建議使用更密集的優(yōu)化方法和模型設(shè)計(jì)來(lái)解決這個(gè)問題。

參考文獻(xiàn)

[1]張汝佳，代璐，王邦，等.基于深度學(xué)習(xí)的中文命名實(shí)體識(shí)別最新研究進(jìn)展綜述[J].中文信息學(xué)報(bào)，2022，36（06）：20-35.

[2]秦放，曾維佳，羅佳偉，等.基于深度學(xué)習(xí)的多模態(tài)融合圖像識(shí)別研究[J].信息技術(shù)，2022（04）：29-34.

[3]鄧依依，鄔昌興，魏永豐，等.基于深度學(xué)習(xí)的命名實(shí)體識(shí)別綜述[J].中文信息學(xué)報(bào)，2021，35（09）：30-45.

[4]吳湘寧，賀鵬，鄧中港，等.一種基于注意力機(jī)制的小目標(biāo)檢測(cè)深度學(xué)習(xí)模型[J].計(jì)算機(jī)工程與科學(xué)，2021，43（01）：95-104.

基金項(xiàng)目：廣州軟件學(xué)院2021年科研項(xiàng)目（項(xiàng)目編號(hào)：ks202112）