NER的过去、现在和未来综述-现在

百川NLP • 2023-01-02 • 云技术社区 • 287 阅读

命名实体识别（NER, Named Entity Recognition），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。

之前的过去篇：NER的过去、现在和未来综述-过去篇
下一篇：NER的过去、现在和未来综述-未来

过去和现在是相对于某个时间节点的，暂且以bert作为这个时间节点，本文就主要寻找NER在BERT之后的一些方法。本文将从以下方面展开：

token“林”预测为start，“伟”预测为end，那么“林丹对阵李宗伟”也可以解码为一个实体。

所以，span更适合去做实体召回，或者句子中只有一个实体（这种情况应该很少），所以阅读理解任务一般会使用功能span作为解码。

损失函数：

\\mathcal{L}=-\\frac{1}{n} \\sum{i=1}^{n} y{i}^{\\mathrm{s}} \\log \\left(P{\\text {start }}\\left(y{i}^{s} \\mid x{i}\\right)\\right) -\\frac{1}{n} \\sum{i=1}^{n} y{i}^{\\mathrm{e}} \\log \\left(P{\\text {end }}\\left(y{i}^{e} \\mid x{i}\\right)\\right)

MRC（阅读理解）

A Unified MRC Framework for Named Entity Recognition

这个方法很有意思，当我们要识别一句话中的实体的时候，其实可以通过问题和答案的方式。解码阶段还是可以使用crf或者span。例如：

问题：句子中描述的人物是？；句子：林丹在伦敦夺冠；答案：林丹；

个人主观意见认为不实用，原因如下：

对于不同的实体，需要去构建问题模板，而问题模板怎么构建呢？人工构建的话，那么人构建问题的好坏将直接影响实体识别。
增加了计算量，原来输入是句子的长度，现在是问题+句子的长度。
span的问题，它也会有（当然span的优点它也有），或者解码器使用crf。

片段排列+分类

Span-Level Model for Relation Extraction
Instance-Based Learning of Span Representations

其实span还是属于token界别的分类任务，而片段排列+分类的方式，是直接对于所有可能的片段，输入是span-level的特征，输出的是实体的类别。片段排列会将所有可能的token组合作为输入进行分类，例如：

另外也修改了attention的相对位置编码（加入了方向、相对距离）和attention计算方式（加入了距离的特征），和TNER类似，后续也有一篇Lattice bert，内容几乎一样。

中期融合

ZEN: Pre-training Chinese Text Encoder Enhanced by N-gram Representations

即在encoder某些层中融入词语和字的输出。在char的中间层添加N-gram的embedding输入。

例如句子中，cook在图谱中是apple的ceo，那么直接将其插入到句子中，那不就扰乱了句子顺序吗，并且对于其他token是引入了额外的信息干扰。因此它提出了两种方法解决这个问题。

位置编码，原始句子的位置保持不变，序列就不变，同时对于插入的“CEO”、"Apple"和“cook”的位置是连续，确保图谱知识插入的位置。
同时对于后面的token，“CEO”、"Apple"属于噪声，因此利用可见矩阵机制，使得“CEO”、"Apple"对于后面的token不可见，对于CLS也不可见。

标注缺失

首先对于NER标注，由于标注数据昂贵，所以会通过远程监督进行标注，由于远监督词典会造成高准确低召回，会引起大量未标注问题？

另外即使标注，存在实体标注缺失是很正常的现象，除了去纠正数据（代价过高）之外，有么有其他的方式呢？

AutoNER

Learning Named Entity Tagger using Domain-Specific Dictionary
Better Modeling of Incomplete Annotations for Named Entity Recognition

当使用词典进行实体的远监督标注时，由于词典有限，一般会造成标注数据中实体高准确，低召回（未标注）的问题。为了解决数据中的未标注问题，提出了AutoNER with “Tie or Break”的方法。

具体算法如图，其中：

Tie：对于两个相邻的token，如果他们是属于同一个实体，那么他们之间是Tie。
Unknow：两个相邻的token其中一个属于未知类型的高置信实体，挖掘高置信实体使用AutoPhrase。
Break：不属于以上情况，即非同一实体。
两个Break之间的tokens作为实体，需要去识别对应的类别。
计算损失的时候，对于Unknow不计算损失。（主要是为了缓解漏标（false negative）问题）

解决的问题：

即使远监督将边界标注错误，但是实体内部的多数tie还是正确的。

个人理解出发点：1. 提出tie or break是为了解决边界标注错误问题，Unknow不计算损失缓解漏标（false negative）问题。
但是有个问题，文中提到了false negative的样本来自于high-quality phrase，但是这些high-quality phrase是基于统计，所以对于一些低频覆盖不太好。

另外一篇论文也是类似的思想：Training Named Entity Tagger from Imperfect Annotations，它每次迭代包含两步：

错误识别：通过交叉训练识别训练数据集中可能的标签错误。
权重重置：降低含有错误标注的句子的权重。

PU learning

Distantly Supervised Named Entity Recognition using Positive-Unlabeled Learning

主要解决词典漏标或者标注不连续问题，降低对于词典构造的要求。Unbiased positive-unlabeled learning正是解决未标记样本中存在正例和负例的情况，作者定义为：

R_{\\ell}=\\pi_{n} \\mathbb{E}_{\\mathbf{X} \\mid \\mathrm{Y}=0} \\ell(f(\\boldsymbol{x}), 0)+\\pi_{p} \\mathbb{E}_{\\mathbf{X} \\mid \\mathrm{Y}=1} \\ell(f(\\boldsymbol{x}), 1)

\\pi_{n} 是负例，未标注样本属于是正例\\pi_{p} ，解决未标注问题就是怎么不用负样本去预估\\mathbb{E}_{\\mathbf{X} \\mid \\mathrm{Y}=0} \\ell(f(\\boldsymbol{x}), 0) 。

为什么不用负样本，因为负样本可能保证未标注正样本。

作者将其转化为：

\\begin{aligned} \\pi_{n} \\mathbb{E}_{\\mathbf{X} \\mid \\mathrm{Y}=0} \\ell(f(\\boldsymbol{x}), 0) &=\\mathbb{E}_{\\mathbf{X}} \\ell(f(\\boldsymbol{x}), 0) -\\pi_{p} \\mathbb{E}_{\\mathbf{X} \\mid \\mathrm{Y}=1} \\ell(f(\\boldsymbol{x}), 0) \\end{aligned}

所以我直接去学正样本就好了嘛，没毛病。这里大概就能猜到作者会用类似out of domian的方法了。

但是我感觉哪里不对，你这只学已标注正样本，未标注的正样本没学呢。

果然，对于正样本每个标签，构造不同的二分类器，只学是不是属于正样本。

我不是杠，但是未标注的实体仍然会影响二分类啊。

负采样

Empirical Analysis of Unlabeled Entity Problem in Named Entity Recognition

未标注会造成两类问题1）降低正样本量。2）将未标注视为负样本。1可以通过adaptive pretrain缓解，而2后果却更严重，会对于模型造成误导，怎么消除这种误导呢，那就是负采样。

本文ner框架使用了前面介绍的片段排列分类的框架，即每个片段都会有一个实体类型进行分类，也更适合负采样。

负采样： 即对于所有非实体的片段组合使用功能下采样，因为非实体的片段组合中有可能存在正样本，所以负采样一定程度能够缓解未标注问题。注意是缓解不是解决。损失函数如下：

\\left(\\sum_{(i, j, l) \\in \\mathbf{y}}-\\log \\left(\\mathbf{o}_{i, j}[l]\\right)\\right)+\\left(\\sum_{\\left(i^{\\prime}, j^{\\prime}, l^{\\prime}\\right) \\in \\hat{\\mathbf{y}}}-\\log \\left(\\mathbf{o}_{i^{\\prime}, j^{\\prime}}\\left[l^{\\prime}\\right]\\right)\\right)

其中前面部分是正样本，后面部分是负样本损失，$\\hat{y}$就是采样的负样本集合。方法很质朴，我觉得比pu learning有效。作者还证明了通过负采样，不讲未标注实体作为负样本的概率大于(1-2/(n-5))，缓解未标注问题。