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, Liao Lejian, Song Dandan, Xu Jing, He Guoxiu, Jia Meihuizi. Modularized Interaction Network for Named Entity Recognition [A]. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) [C]. Online: Association for Computational Linguistics, 2021, 200–209.
链接：https://aclanthology.org/2021.acl-long.17.pdf
代码：无
0、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（Modularized Interaction 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
1、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
2、方法
- NER模块：RNN-BiLSTM-CRF，引用Neural architectures 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] + bHNER=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−1Bdy+hjBdy+hj+1Bdy
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
- Biaffine Attention 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=1nαi,jB−EhjT−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=LNER+LType+LBdy
3、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。