跟我读论文丨ACL2021 NER 模块化交互网络用于命名实体识别

​​​​​​​​​​​​​​​​​​摘要：本文是对 ACL2021 NER 模块化交互网络用于命名实体识别这一论文工作进行初步解读。

本文分享自华为云社区《ACL2021 NER | 模块化交互网络用于命名实体识别》，作者：JuTzungKuei 。

论文： Li Fei, Wang Zheng, Hui Siu Cheung, LiaoLejian, Song Dandan, Xu Jing, He Guoxiu, Jia Meihuizi. Modularized InteractionNetwork for Named Entity Recognition [A]. Proceedings of the 59th AnnualMeeting of the Association for Computational Linguistics and the 11thInternational Joint Conference on Natural Language Processing (Volume 1: LongPapers) [C]. Online: Association for Computational Linguistics, 2021, 200–209.

链接：aclanthology.org/2021.acl-lo…

代码：无

1、摘要

• 现有 NER 模型缺点

基于序列标注的 NER 模型：长实体识别不佳，只关注词级信息

基于分段的 NER 模型：处理分段，而非单个词，不能捕获分段中的词级依赖关系

• 边界检测和类型预测可以相互配合，两个子任务可共享信息，相互加强

• 提出模块化交互网络模型 MIN（ModularizedInteraction Network）

同时利用段级信息和词级依赖关系

结合一种交互机制，支持边界检测和类型预测之间的信息共享

• 三份基准数据集上达到 SOTA

2、介绍

• NER：查找和分类命名实体，person (PER), location

• (LOC) or organization (ORG)，下游任务：关系抽取、实体链接、问题生成、共引解析

• 两类方法

序列标注 sequence labeling：可捕获词级依赖关系

分段 segment（a span of words）：可处理长实体

• NER：检测实体边界和命名实体的类型，

分成两个子任务：边界检测、类型预测

两个任务之间是相关的，可以共享信息

• 举栗：xx 来自纽约大学

如果知道大学是实体边界，更可能会预测类型是 ORG

如果知道实体有个 ORG 类型，更可能会预测到“大学”边界

• 上述两个常用方法没有在子任务之间共享信息

序列标注：只把边界和类型当做标签

分段：先检测片段，再划分类型

• 本文提出 MIN 模型：NER 模块、边界模块、类型模块、交互机制

指针网络作为边界模块的解码器，捕捉每个词的段级信息

段级信息和词级信息结合输入到序列标注模型

将 NER 划分成两个任务：边界检测、类型预测，并使用不同的编码器

提出一个相互加强的交互机制，所有信息融合到 NER 模块

三个模块共享单词表示，采用多任务训练

• 主要贡献：

新模型：MIN，同时利用段级信息和词级依赖

边界检测和类型预测分成两个子任务，结合交互机制，使两个子任务信息共享

三份基准数据集达到 SOTA

3、方法

• NER 模块：RNN-BiLSTM-CRF，引用Neuralarchitectures for named entity recognition

词表示：word（BERT） + char（BiLSTM）

BiLSTM 编码：双向 LSTM，交互机制代替直接级联，门控函数动态控制

最终 NER 输出：H^{NER}=W^T[H;H^B;H^T;H^S] + b_HNER_=WT[H;HB;HT;HS]+_b_H^{Bdy}HBdy 表示边界模块输出，H^{Type}HType 表示类型模块输出，H^{Seg}HSeg 表示分段信息

CRF 解码：转移概率 + 发射概率

• 边界模块：双向 LSTM 编码 H^{Bdy}HBdy，单向 LSTM 解码

解码：s_j=h_{j-1}^{Bdy}+h_{j}^{Bdy}+h_{j+1}^{Bdy}_sj_​=_hj_−1_Bdy_​+_hjBdy_​+hj+1_Bdy_​d_j=LSTM(s_j,d_{j-1})_dj_​=LSTM(_sj_​,_dj_−1​)

Biaffine Attention 机制：

• 类型模块：BiLSTM + CRF

• 交互机制：

self attention 得到标签增强的边界 H^{B-E}HB_−_E，类型 H^{T-E}HT_−_E

BiaffineAttention 计算得分 \alpha^{B-E}αB_−_E

交互后的边界：r_i^{B-E}=\sum_{j=1}^{n}\alpha_{i,j}^{B-E}h_j^{T-E}riB_−_E_​=∑_j=1_n_​_αi_,_jB_−_E_​_hjT_−_E_​

更新后的边界：\overline{h}_i^{Bdy}=[h_i^{B-E},r_i^{B-E}]_hiBdy_​=[_hiB_−_E_​,_riB_−_E_​]

更新后的类型：\overline{h}_i^{Type}=[h_i^{T-E},r_i^{T-E}]_hiType_​=[_hiT_−_E_​,_riT_−_E_​]

• 联合训练：多任务

每个任务的损失函数

最终损失函数：

\mathcal{L}=\mathcal{L}^{NER}+\mathcal{L}^{Type}+\mathcal{L}^{Bdy}L=L_NER_+L_Type_+L_Bdy_

4、结果

• Baseline (sequence labeling-based)

CNN-BiLSTM-CRF

RNN-BiLSTM-CRF

ELMo-BiLSTM-CRF

Flair(char-BiLSTM-CRF)

BERT-BiLSTM-CRF

HCRA(CNN-BiLSTM-CRF)

• Baseline (segment-based)

BiLSTM-Pointer

HSCRF

MRC+BERT

Biaffine+BERT

号外号外：想了解更多的 AI 技术干货，欢迎上华为云的 AI 专区，目前有AI编程Python等六大实战营供大家免费学习。

点击关注，第一时间了解华为云新鲜技术~