BiLSTM+CRF命名实体识别:达观杯败走记(下篇)

2020 年 5 月 31 日 AINLP


一 :今日吐槽


在整理BiLSTM+CRF命名实体识别下篇的过程中,我发现了两个问题。


一是用到的torchcrf这个包会自动给标签加上<start>和<end>的转移概率。


这意味着我们无需手动给标签前后加<start>和<end>,标签到id的映射中,也无需加这两个标记。


样本前后也不用加这两个标记的。


当然,这和CRF层的代码实现有关,不能一概而论。


二是模型评估用的是token(字)级别的评估方法,也就是按每个字的标签是否预测正确来评估,比较宽松。


更严谨的是实体级别的评估方法,同时考虑实体边界和实体类型。


所以换成了一种比较权威的评估方法:用CoNLL-2000的评估脚本来评估。


大型翻车现场。

取消关注。

拉黑。


别...... 人生已经如此的艰难 ......


以后保证把文章写完了,思路理清楚了再发,我保证!



二:内容预告


BiLSTM+CRF命名实体识别的上篇已经介绍了数据预处理中需要注意的地方,根据上面提到的第一点,已经把代码进行了修改。


BiLSTM+CRF命名实体识别:达观杯败走记(上篇)


本文是BiLSTM+CRF命名实体识别的下篇,介绍模型的构建、训练、评估和预测,使用的深度学习框架为pytorch。


使用CoNLL-2000的脚本评估模型的结果如下,测试集上F1宏平均为0.976,验证集上最好的F1值为0.9784。



在网上找一个医疗相关的句子,测试结果如下:


{'entities': [{'end'7'start'5'type''ORG''word''心脏'},
              {'end'10'start'8'type''ORG''word''血管'},
              {'end'40'start'36'type''DIS''word''心血管病'}],

 'string''循环系统由心脏、血管和调节血液循环的神经体液组织构成,循环系统疾病也称为心血管病。'}


代码已经修改,github地址如下,包含完整的数据:


https://github.com/DengYangyong/medical_entity_recognize


本文主要关注以下两点:


  • BiLSTM+CRF的损失怎么计算

  • 实体识别模型怎么评估



三:模型的构建


01

模型的结构


下面的模型结构图来自原论文,但是少画了一个线性层,这个线性层在BiLSTM层之上,CRF层之下。


论文中说加了线性层可以极大地提升模型效果。

Additionally, we observed that adding a hidden layer between ci and the CRF layer marginally improved our results.


所以模型从输入到输出一共四层:


embedding层——BiLSTM层——Linear层——CRF层。



模型构建的代码主要参考了这个github,感谢作者:


https://github.com/Alic-yuan/nlp-beginner-finish


但是作者没使用预训练的字向量,没加入分词特征,没有对Loss做MASK,模型评估使用的是token级别的方法。


CRF模型用的现成的python库:pytorch-crf,我下载了代码,保存为torchcrf.py文件,不用安装,直接调用就行。


这个库是基于AllenNLP实现的CRF包,用pytorch写的,用来计算CRF的损失和进行维特比解码,非常方便。


之前看的一些代码,眉毛胡子一把抓,把CRF模型和BiLSTM模型混在一起,看的人头大。


所以这次把CRF模型独立出来,也就是pytorch-crf这个库,结构就比较清晰了。


BiLSTM+CRF模型的代码如下:


import torch
import torch.nn as nn
import torch.optim as optim
from model.torchcrf import CRF

class NERLSTM_CRF(nn.Module):
    def __init__(self, config, char2id, tag2id, emb_matrix):
        super(NERLSTM_CRF, self).__init__()

        self.hidden_dim = config.hidden_dim
        self.vocab_size = len(char2id)
        self.tag_to_ix = tag2id
        self.tagset_size = len(tag2id)

        """ pdding_idx=0,也就是让pad标记不更新 """
        self.char_emb = nn.Embedding.from_pretrained(
            emb_matrix,freeze=False, padding_idx=0
        )
        self.seg_emb = nn.Embedding(
            self.vocab_size, config.seg_dim, padding_idx=0
        )
        self.emb_dim = config.char_dim + config.seg_dim

        self.dropout = nn.Dropout(config.dropout)
        self.lstm = nn.LSTM(
            self.emb_dim, self.hidden_dim // 2, num_layers=1
            bidirectional=True, batch_first=True
        )

        """ 得到发射矩阵 """
        self.hidden2tag = nn.Linear(self.hidden_dim, self.tagset_size)

        self.crf = CRF(self.tagset_size,batch_first=True)

    def forward(self, char_ids,seg_ids,mask=None):

        """ 把字向量(100维)和词长度特征向量(20维),拼接 """
        embedding = torch.cat(
            (self.char_emb(char_ids),self.seg_emb(seg_ids)), 2
        )

        outputs, hidden = self.lstm(embedding)
        outputs = self.dropout(outputs)
        outputs = self.hidden2tag(outputs)

        """ 预测时,得到维特比解码的路径 """
        return self.crf.decode(outputs, mask)

    def log_likelihood(self, char_ids, seg_ids, tag_ids, mask=None):

        embedding = torch.cat(
            (self.char_emb(char_ids),self.seg_emb(seg_ids)), 2
        )

        outputs, hidden = self.lstm(embedding)
        outputs = self.dropout(outputs)
        outputs = self.hidden2tag(outputs)

        """ 训练时,得到损失 """
        return - self.crf(outputs, tag_ids, mask)


02

embedding层


首先看embedding层。


self.char_emb用于获取输入序列的字向量,加载了预训练的100维字向量,并在训练的过程中微调。


self.seg_emb用于获取分词的长度特征的向量,维度设置为20维,权重随机初始化。


还记得分词的长度特征吧:


句子:
"循环系统由心脏、血管和调节血液循环的神经体液组织构成"

分词结果:
['循环系统''由''心脏''、''血管''和''调节''血液循环''的''神经''体液''组织''构成']

长度特征:
[1, 2, 2, 3, 0, 1, 3, 0, 1, 3, 0, 1, 3, 1, 2, 2, 3, 0, 1, 3, 1, 3, 1, 3, 1, 3]


在训练和预测时,会把这两个向量拼接成120维的向量,送入BiLSTM层。


注意这两个embedding都传入了一个参数 padding_idx=0,这也是这一种MASK操作。


在上篇中,我们说了,需要准备一个MASK矩阵,对<pad>标记进行MASK,不参与Loss的计算,也不参与梯度的更新。


其实embedding层也需要做MASK,让<pad>标记对应的词向量元素均为0,不参与神经网络的正向传播和反向传播。


在pytorch中对embedding做MASK,可以通过设定padding_idx参数的值为<pad>的编号,自动实现,无需准备MASK矩阵。


那你又要问了,对Loss进行MASK也可以通过传入一个参数直接搞定啊?

比如在计算交叉熵损失的函数中,传入参数:ignore_index=0(0就是<pad>的id)。

criterion = nn.CrossEntropyLoss(ignore_index=0)


没错,如果这次的模型是BiLSTM的模型,没加CRF,那么直接用以上的函数计算损失,无需另外准备一个MASK矩阵。


但这次的模型加了CRF层,损失是用pytorch-crf这个库计算的,需要自己准备一个MASK矩阵。


看下面的代码,是需要传入一个MASK矩阵的。


class CRF(nn.Module):

    def forward(
            self,
            emissions: torch.Tensor,
            tags: torch.LongTensor,
            mask: Optional[torch.ByteTensor] = None,
            reduction: str = 'sum',
    )
 -> torch.Tensor:


        ...

    def decode(self, emissions: torch.Tensor,
               mask: Optional[torch.ByteTensor] = None)
 -> List[List[int]]:

        ...


03

BiLSTM层和Linear层


把embedding层得到的120维向量送入BiLSTM层,把前向LSTM(比如128维)和后向LSTM(比如128维)的output拼接(如256维)。


如果batch=First,那么输出的维度是:


(batch, seq_length, num_directions * hidden_size)


接着把LSTM的输出送入Linear层,得到发射矩阵,也就是观测序列(句子)到标签序列(实体标签)的发射矩阵,维度是:


(batch_size, seq_length, num_tags)


04

CRF层


如果是训练,那么直接用发射矩阵和真实标签去计算Loss,用于更新梯度。


这需要用到CRF中的forward函数。


如果是预测,那么就用发射矩阵去进行维特比解码,得到最优路径(预测的标签)。


这需要用到CRF中的decode函数。


所谓的CRF层,其实也就是一些可学习的参数,如下图:


我仔细看了这个库的代码,才发现原来这个库会把自动添加<start>和<end>的转移概率,这也就意味着,我们无需在标签中手动加入这两个标记,同样样本的前后也无需添加这两个标记。

补救措施就是:在建立字、标签到id的映射时,去掉这两个标记,还有样本和标签前后都不要加这两个标记。

class CRF(nn.Module):
    """Conditional random field."""

    def __init__(self, num_tags: int, batch_first: bool = False) -> None:
        if num_tags <= 0:
            raise ValueError(f'invalid number of tags: {num_tags}')
        super().__init__()
        self.num_tags = num_tags
        self.batch_first = batch_first

        """ 这个库里面会自动添加<start>和<end>的转移概率,
        所以无需再手动在样本和标签前后加入<start>和<end>标记 """

        self.start_transitions = nn.Parameter(torch.empty(num_tags))
        self.end_transitions = nn.Parameter(torch.empty(num_tags))

        """ 转移概率矩阵,tags不包含<start>和<end>标记 """
        self.transitions = nn.Parameter(torch.empty(num_tags, num_tags))

        self.reset_parameters()



四:模型的训练


01

模型的训练


开始训练模型。


首先加载数据集,把样本和标签都转化为id。


然后产生batch训练数据。为了使用CoNLL-2000的评估脚本,我把BatchManager的代码改了一点(后面会介绍),每个batch包含样本、样本的id,标签的id和MASK矩阵。


chars, char_ids, seg_ids, tag_ids, mask = batch


接着初始化模型,并设为用GPU训练。

按照上面说的,item到id的映射中已经去掉了<start>和<end>,


char_to_id
{'<pad>'0'<unk>'1'0'2','3':'4'。'5'无'6'、'7'常'8, ...}

tag_to_id
{'<pad>'0'O'1'I-TES'2'I-DIS'3'I-SGN'4'B-TES'5'E-TES'6, ...}


用F1宏平均作为early stop的监控指标,同时使用了学习率衰减和梯度截断。


config.steps_check设为了100,也就是每100个batch在验证集上跑一次,如果F1值有提高,那就保存模型,并在测试集上测试并打印结果。


那损失是怎么计算出来的呢?


验证集和测试集上的F1值是怎么算的呢?


def train():

    """ 1: 加载数据集,把样本和标签都转化为id"""
    if os.path.isfile(config.data_proc_file):

        with open(config.data_proc_file, "rb"as f:
            train_data,dev_data,test_data = pickle.load(f)
            char_to_id,id_to_char,tag_to_id,id_to_tag = pickle.load(f)
            emb_matrix = pickle.load(f)

        logger.info("%i / %i / %i sentences in train / dev / test." % (len(train_data), len(dev_data), len(test_data)))

    else:

        train_data,dev_data,test_data, char_to_id, tag_to_id, id_to_tag, emb_matrix = build_dataset()

    """ 2: 产生batch训练数据 """
    train_manager = BatchManager(train_data, config.batch_size)
    dev_manager = BatchManager(dev_data, config.batch_size)
    test_manager = BatchManager(test_data, config.batch_size) 

    model = NERLSTM_CRF(config, char_to_id, tag_to_id, emb_matrix)
    model.train()
    model.to(device)
    optimizer = optim.Adam(model.parameters(), lr=config.lr, weight_decay=config.weight_decay)

    """ 3: 用early stop 防止过拟合 """
    total_batch = 0  
    dev_best_f1 = float('-inf')
    last_improve = 0  
    flag = False     

    start_time = time.time()
    logger.info(" 开始训练模型 ...... ")
    for epoch in range(config.max_epoch):

        logger.info('Epoch [{}/{}]'.format(epoch + 1, config.max_epoch))

        for index, batch in enumerate(train_manager.iter_batch(shuffle=True)):

            optimizer.zero_grad()

            """ 计算损失和反向传播 """
            _, char_ids, seg_ids, tag_ids, mask = batch
            loss = model.log_likelihood(char_ids,seg_ids,tag_ids, mask)
            loss.backward()

            """ 梯度截断,最大梯度为5 """
            nn.utils.clip_grad_norm_(parameters=model.parameters(), max_norm=config.clip)
            optimizer.step()

            if total_batch % config.steps_check == 0:

                model.eval()
                dev_f1,dev_loss = evaluate(model, dev_manager, id_to_tag)

                """ 以f1作为early stop的监控指标 """
                if dev_f1 > dev_best_f1:

                    evaluate(model, test_manager, id_to_tag, test=True)
                    dev_best_f1 = dev_f1
                    torch.save(model, os.path.join(config.save_dir,"medical_ner.ckpt"))
                    improve = '*'
                    last_improve = total_batch
                else:
                    improve = ''

                time_dif = get_time_dif(start_time)
                msg = 'Iter: {} | Dev Loss: {:.4f} | Dev F1-macro: {:.4f} | Time: {} | {}'
                logger.info(msg.format(total_batch, dev_loss, dev_f1, time_dif, improve))  

                model.train()

            total_batch += 1
            if total_batch - last_improve > config.require_improve:
                """ 验证集f1超过5000batch没上升,结束训练 """
                logger.info("No optimization for a long time, auto-stopping...")
                flag = True
                break
        if flag:
            break                


02

损失的计算


BiLSTM+CRF的损失由发射矩阵和转移矩阵计算而得。

输入一个句子,预测的标签序列(路劲)有很多条,而正确的标签序列是其中的一条。

每条标签序列都可以计算一个分数,由句子中每个字和标签对应的发射概率,以及标签之间的转移概率,加和而成,公式如下:



P是发射矩阵,size为n×k,k为真实标签的个数,不包括<start>和<end>。


A为转移矩阵,size为(k+2)×(k+2),需要加上<start>和<end>。


同样我们可以算出正确的标签序列的分数,一般把这个分数叫做 Gold Score。


用Gold Score和所有可能路径的分数,算一个softmax的概率,显然我们要让正确的标签序列的概率最大。




为了方便求解,在等式左右两边加了log,同时用动态规划来计算。

再加一个负号,作为Loss,让Loss最小化。


具体细节可参考:


BiLSTM上的CRF,用命名实体识别任务来解释CRF(2)损失函数


现在我们再回到是否加<start>和<end>这个问题上来。

从损失函数的公式可以看到,样本前后可以不加这两个标记,标签序列是要加的。


03

模型的评估


命名实体识别可以看作是token(字)级别或实体级别的多分类,评估指标还是Precision,Recall和F1值。


所以从token和实体两个角度来看,命名实体识别的评测方式分为两种,一是基于所有token标签的评测,二是考虑实体边界+实体类型的评测


基于所有token标签的评测,是一种宽松匹配的方法,就是把所有测试样本的真实标签展成一个列表,把预测标签也展成一个列表,然后直接计算Precision、Recall和F1值。


考虑实体边界和实体类型的评测方法,是一种精准匹配的方法,只有当实体边界和实体类别同时被标记正确,才能认为实体识别正确。


考虑实体边界和实体类型的方法实现起来比较复杂,千万不要为难自己,直接用别人写好的包就行。


用的比较多的是CoNLL-2000的一个评估脚本,原本是用Perl写的,网上有python的实现,支持IOBES格式。


这次就是参考了这个python版的实现:


https://github.com/spyysalo/conlleval.py



原代码是把文本、真实标签和预测标签用空格拼接,写入一个预测结果文件,再直接加载该文件进行评估,并写入一个评估结果文件。


预测结果文件的格式如下:


无 O O
长 B-PT B-PT
期 I-PT I-PT
外 I-PT I-PT
地 I-PT I-PT
居 I-PT I-PT
住 I-PT I-PT
史 E-PT E-PT
。 O O

无 O O
家 B-DIS B-DIS
族 I-DIS I-DIS
性 I-DIS I-DIS
遗 I-DIS I-DIS
传 I-DIS I-DIS
病 E-DIS E-DIS
史 O O
。 O O


所以在准备数据和生成batch的时候,我们也需要拆成字的样本,而不仅是id和MASK矩阵。


class BatchManager(object):

    def __init__(self, data,  batch_size):

    def sort_and_pad(self, data, batch_size):

    @staticmethod
    def pad_data(data):
        """
        构造一个mask矩阵,对pad进行mask,不参与loss的计算
        另外,除了id以外,字本身,因为用CoNLL-2000的脚本评估时需要,所以也加上。
        """


        batch_chars = []
        batch_chars_idx = []
        batch_segs_idx = []
        batch_tags_idx = []
        batch_mask = []

        max_length = max([len(sentence[0]) for sentence in data])
        for line in data:
            chars, chars_idx, segs_idx, tags_idx = line

            padding = [0] * (max_length - len(chars_idx))

            """ CoNLL-2000的评估脚本需要用到 """
            batch_chars.append(chars + padding)

            batch_chars_idx.append(chars_idx + padding)
            batch_segs_idx.append(segs_idx + padding)
            batch_tags_idx.append(tags_idx + padding)
            batch_mask.append([1] * len(chars_idx) + padding)

        batch_chars_idx = torch.LongTensor(batch_chars_idx).to(device)
        batch_segs_idx = torch.LongTensor(batch_segs_idx).to(device)
        batch_tags_idx = torch.LongTensor(batch_tags_idx).to(device)
        batch_mask = torch.tensor(batch_mask,dtype=torch.uint8).to(device)

        return [batch_chars, batch_chars_idx, batch_segs_idx, batch_tags_idx, batch_mask]

    def iter_batch(self, shuffle=True):


另外为了在训练过程中能够进行测试,并打印测试结果,需要对conlleval.py中的report函数进行一点修改,不再是保存为一个评估结果文件,而是放在一个列表里。


def report_notprint(counts, out=None):
    if out is None:
        out = sys.stdout

    overall, by_type = metrics(counts)

    c = counts
    final_report = []
    line = []
    line.append('processed %d tokens with %d phrases; ' %
              (c.token_counter, c.found_correct))
    line.append('found: %d phrases; correct: %d.\n' %
              (c.found_guessed, c.correct_chunk))
    final_report.append("".join(line))

    if c.token_counter > 0:
        line = []
        line.append('accuracy: %6.2f%%; ' %
                  (100.*c.correct_tags/c.token_counter))
        line.append('precision: %6.2f%%; ' % (100.*overall.prec))
        line.append('recall: %6.2f%%; ' % (100.*overall.rec))
        line.append('FB1: %6.2f\n' % (100.*overall.fscore))
        final_report.append("".join(line))

    for i, m in sorted(by_type.items()):
        line = []
        line.append('%17s: ' % i)
        line.append('precision: %6.2f%%; ' % (100.*m.prec))
        line.append('recall: %6.2f%%; ' % (100.*m.rec))
        line.append('FB1: %6.2f  %d\n' % (100.*m.fscore, c.t_found_guessed[i]))
        final_report.append("".join(line))
    return final_report


训练过程中打印的测试结果如下:



好,介绍完了conlleval.py这个包的使用,我们回来看模型的评估部分代码。


首先计算得到预测的标签和损失。


为了使用CoNLL-2000的实体识别评估脚本,我们需要按其要求的格式来处理预测的标签,即:家 B-DIS B-DIS 这种形式。


def evaluate_helper(model, data_manager, id_to_tag):


    with torch.no_grad():

        total_loss = 0
        results = []
        for batch in data_manager.iter_batch():

            chars, char_ids, seg_ids, tag_ids, mask = batch

            batch_paths = model(char_ids,seg_ids,mask)
            loss = model.log_likelihood(char_ids, seg_ids, tag_ids,mask)
            total_loss += loss.item()    

            """ 忽略<pad>标签,计算每个样本的真实长度 """
            lengths = [len([j for j in i if j > 0]) for i in tag_ids.tolist()]

            tag_ids = tag_ids.tolist()
            for i in range(len(chars)):
                result = []
                string = chars[i][:lengths[i]]

                """ 把id转换为标签 """
                gold = [id_to_tag[int(x)] for x in tag_ids[i][:lengths[i]]]
                pred = [id_to_tag[int(x)] for x in batch_paths[i][:lengths[i]]]               

                """ 用CoNLL-2000的实体识别评估脚本, 需要按其要求的格式保存结果,
                即 字-真实标签-预测标签 用空格拼接"""

                for char, gold, pred in zip(string, gold, pred):
                    result.append(" ".join([char, gold, pred]))
                results.append(result)

        aver_loss = total_loss / (data_manager.len_data * config.batch_size)        
        return results, aver_loss  


接着调用评估脚本,计算每类实体的Precision、Recall和F1值,如果是测试的话,打印测试结果,如上图所示。


def evaluate(model, data, id_to_tag, test=False):

    """ 得到预测的标签(非id)和损失 """
    ner_results, aver_loss = evaluate_helper(model, data, id_to_tag)

    """ 用CoNLL-2000的实体识别评估脚本来计算F1值 """
    eval_lines = test_ner(ner_results, config.save_dir)

    if test:

        """ 如果是测试,则打印评估结果 """
        for line in eval_lines:
            logger.info(line)

    f1 = float(eval_lines[1].strip().split()[-1]) / 100

    return f1, aver_loss


04

模型的预测


预测部分比较简单,加载训练好的模型,将文本转化为id,并提取分词特征,送入模型中进行维特比解码,得到预测的路径(标签的id),再转化为标签。


维特比算法这里就不提了。


def predict(input_str):

    with open(config.map_file, "rb"as f:
        char_to_id, id_to_char, tag_to_id, id_to_tag = pickle.load(f)

    """ 用cpu预测 """
    model = torch.load(os.path.join(config.save_dir,"medical_ner_f1_0.976.ckpt"), 
                       map_location="cpu"
    )
    model.eval()

    if not input_str:
        input_str = input("请输入文本: ")    

    _, char_ids, seg_ids, _ = prepare_dataset([input_str], char_to_id, tag_to_id, test=True)[0]
    char_tensor = torch.LongTensor(char_ids).view(1,-1)
    seg_tensor = torch.LongTensor(seg_ids).view(1,-1)

    with torch.no_grad():

        """ 得到维特比解码后的路径,并转换为标签 """
        paths = model(char_tensor,seg_tensor)    
        tags = [id_to_tag[idx] for idx in paths[0]]

    pprint(result_to_json(input_str, tags))


if __name__ == "__main__":

    if config.train:

        train()

    else:

        input_str = "循环系统由心脏、血管和调节血液循环的神经体液组织构成,循环系统疾病也称为心血管病。"
        predict(input_str)


最后用result_to_json这个函数,对预测进行进行规范输出,得到的结果如下。


输出了提取的实体、类别以及在句中的位置边界。


{'entities': [{'end'7'start'5'type''ORG''word''心脏'},
              {'end'10'start'8'type''ORG''word''血管'},
              {'end'40'start'36'type''DIS''word''心血管病'}],

 'string''循环系统由心脏、血管和调节血液循环的神经体液组织构成,循环系统疾病也称为心血管病。'}


好了,这个模型的介绍到此为止,更多的代码细节,感兴趣的同学自己去跑跑。


参考资料:


1:《Neural Architectures for Named Entity Recognition》

2:《BiLSTM上的CRF,用命名实体识别任务来解释CRF(2)损失函数》

3:https://github.com/spyysalo/conlleval.py

4:https://github.com/Alic-yuan/nlp-beginner-finish


END

推荐阅读

AINLP年度阅读收藏清单

当当四折购书,推荐一份书单

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具(NER)哪家强?

学自然语言处理,其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

太赞了!Springer面向公众开放电子书籍,附65本数学、编程、机器学习、深度学习、数据挖掘、数据科学等书籍链接及打包下载

数学之美中盛赞的 Michael Collins 教授,他的NLP课程要不要收藏?

自动作诗机&藏头诗生成器:五言、七言、绝句、律诗全了

模型压缩实践系列之——bert-of-theseus,一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课,我放到B站了

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLPer(id:ainlper),备注工作/研究方向+加群目的。


登录查看更多
19

相关内容

条件随机域(场)(conditional random fields,简称 CRF,或CRFs),是一种判别式概率模型,是随机场的一种,常用于标注或分析序列资料,如自然语言文字或是生物序列。 如同马尔可夫随机场,条件随机场为具有无向的图模型,图中的顶点代表随机变量,顶点间的连线代表随机变量间的相依关系,在条件随机场中,随机变量 Y 的分布为条件机率,给定的观察值则为随机变量 X。原则上,条件随机场的图模型布局是可以任意给定的,一般常用的布局是链结式的架构,链结式架构不论在训练(training)、推论(inference)、或是解码(decoding)上,都存在效率较高的算法可供演算。
【ICML2020-华为港科大】RNN和LSTM有长期记忆吗?
专知会员服务
74+阅读 · 2020年6月25日
深度学习自然语言处理概述,216页ppt,Jindřich Helcl
专知会员服务
212+阅读 · 2020年4月26日
专知会员服务
155+阅读 · 2020年4月21日
Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
NLP命名实体识别开源实战教程 | 深度应用
AI100
15+阅读 · 2019年8月18日
基于PyTorch/TorchText的自然语言处理库
专知
28+阅读 · 2019年4月22日
一文读懂命名实体识别
人工智能头条
32+阅读 · 2019年3月29日
R语言自然语言处理:词性标注与命名实体识别
R语言中文社区
7+阅读 · 2019年3月5日
NLP - 基于 BERT 的中文命名实体识别(NER)
AINLP
466+阅读 · 2019年2月10日
基于Lattice LSTM的命名实体识别
微信AI
47+阅读 · 2018年10月19日
神经网络结构在命名实体识别(NER)中的应用
全球人工智能
11+阅读 · 2018年4月5日
基于attention的seq2seq机器翻译实践详解
黑龙江大学自然语言处理实验室
11+阅读 · 2018年3月14日
【推荐】中文处理(BiLSTM分词)工具包FoolNLTK
机器学习研究会
6+阅读 · 2017年12月27日
Arxiv
5+阅读 · 2018年5月10日
Arxiv
3+阅读 · 2017年8月15日
VIP会员
相关资讯
NLP命名实体识别开源实战教程 | 深度应用
AI100
15+阅读 · 2019年8月18日
基于PyTorch/TorchText的自然语言处理库
专知
28+阅读 · 2019年4月22日
一文读懂命名实体识别
人工智能头条
32+阅读 · 2019年3月29日
R语言自然语言处理:词性标注与命名实体识别
R语言中文社区
7+阅读 · 2019年3月5日
NLP - 基于 BERT 的中文命名实体识别(NER)
AINLP
466+阅读 · 2019年2月10日
基于Lattice LSTM的命名实体识别
微信AI
47+阅读 · 2018年10月19日
神经网络结构在命名实体识别(NER)中的应用
全球人工智能
11+阅读 · 2018年4月5日
基于attention的seq2seq机器翻译实践详解
黑龙江大学自然语言处理实验室
11+阅读 · 2018年3月14日
【推荐】中文处理(BiLSTM分词)工具包FoolNLTK
机器学习研究会
6+阅读 · 2017年12月27日
Top
微信扫码咨询专知VIP会员