中文NER方法总结

中文命名实体识别主要有四大主流算法，序列标注，指针网络，多头标注，片段排列。

1. 四大抽取算法

1.1 序列标注

最简单的softmax+CE的方法，是一种token级别的分类任务。这种方法最简单，但没有考虑到标签之间的关系。仅仅在特征提取时，上后文是有联系的，每个时刻分类时，互不相关，这样就会出现很不合理的预测，如BB等。

在这里插入图片描述

在每一个位置使用softmax进行 $2 C + 1$ 分类（如果使用BIO标注格式的话，C为类别总数）。

基于CRF的模型在softmax+CE上做改进，预测时会考虑标签之间的联系。CRF也存在局限性，序列标注表示为线性链的条件随机场。仅仅假设相邻的两个节点存在联系，不相邻节点时条件无关的（也就是马尔科夫随机场定义中的局部/全局的马尔科夫性）。在前端网络考虑各时刻token的关联性，在crf考虑标签的关联性，两部分分开。

1.2 指针网络

对每个span的start和end进行标记，如果是多片段抽取就转化成L个2分类（L为序列长度）。如果涉及多标签可以转化成层叠式指针网络（C个指针网络，C为类别总数）。

单片段抽取

如果每个输入只有一个片段需要抽取，只需要设计两个L分类的输出分别预测start_ids和end_ids。将每个位置看做一个类别。使用softmax 搭建两个L分类。

在这里插入图片描述

多片段抽取-sigmoid

如果一句话有多个片段需要抽取（同样的每个位置看做是一个类别），那么start和end都要分得多个标签上，也就是多任务分类。将softmax改为sigmoid即可。序列的每个位置都做0-1二分类。
在这里插入图片描述

多标签抽取

上面的情形都是只有一种标签需要抽取，如上面的部位，如果同时需要抽取多个标签，则需要在序列每个token位置做 $C + 1$ 分类（C表示总类别数）。
在这里插入图片描述

1.3 多头标注

多头标注(multi-head)构建一个 $L\times L\times (C+1)$ 的span矩阵(C类外加None)。如下图， $span\{呼\}\{枢\}=1$ 表示[呼吸中枢]是一个部位实体。 $span\{呼\}\{累\}=2$ 表示[呼吸中枢受累]是一个症状实体。多头标注的重点在于如何构造span矩阵，如何解决0-1标签稀疏问题。

在这里插入图片描述

ACL2020的《Named Entity Recognition as Dependency Parsing》采取Biaffine机制构造Span矩阵；

1.4 片段排列

简单粗暴的枚举法，枚举所有可能，并对每种可能进行分类。对有长度为L的序列。共有 $L (L + 1) /2$ 种片段排列。分别对每一个片段进行分类。

在这里插入图片描述

2. Nested NER

实体嵌套是NER要解决的一大难题。多头标注和片段排列的方法天然的就支持嵌套实体的抽取，序列标注和span的方法做微小调整后也可以实现嵌套实体抽取。

2.1 序列标注-多标签分类

序列标注是对序列每个token位置进行多分类预测。只需要将多分类改为多标签分类即可。

在这里插入图片描述

2.2 指针网络

层叠式指针网络

在这里插入图片描述

层叠式指针网络即C个针织网络。每个预测一个类别。

MRC-QA+指针标注

在这里插入图片描述

使用MRC阅读理解的方式进行抽取，构造每个实体的解释作为该类实体的query，需要抽取的原始文本作为passage上下文。预测该实体在passage中的位置。

"ORG":"找出公司，商业机构，社会组织等组织机构",
"LOC":"找出国家，城市，山川等抽象或具体的地点",
"PER":"找出真实和虚构的人名"

1、相较于序列标注的方法，MRC的好处在于引入了query这个先验知识。比如对于LOC类别，我们构造这样的query：找出国家，城市，山川等抽象或具体的地点。模型通过attention机制，对于query中的国家，城市，山川词汇学习到了地点的关注信息，加入到passage中的实体信息捕捉中。

2、很好的解决了实体嵌套问题，同时论文还提出了loss:span_loss（据测试效果不好）。