NLP - 基于 BERT 的中文命名实体识别（NER)

作者：艾力亚尔（微博 @艾力亚尔），暴风大脑研究院研发工程师，现负责电视端的语音助手相关工作。

原文地址，可点击文末“阅读原文”直达：

https://eliyar.biz/nlp_chinese_bert_ner/

欢迎大家投稿，AI、NLP相关即可。

---

序列标注任务是中文自然语言处理（NLP）领域在句子层面中的主要任务，在给定的文本序列上预测序列中需要作出标注的标签。常见的子任务有命名实体识别（NER）、Chunk 提取以及词性标注（POS）等。

BERT 模型刷新了自然语言处理的 11 项记录，成为 NLP 行业的新标杆。既然 Google 开源这么好的模型架构和预训练的中文模型，那我们就使用它构建一个序列标注模型。

PS: 最近我开源了一个极简文本分类和序列标注框架 Kashgari（https://github.com/BrikerMan/Kashgari） ，今天的教程将使用这个框架构建模型。如果想了解文本分类，可以看下面的文章。

• NLP - 15 分钟搭建中文文本分类模型

搭建环境和数据准备

准备工作，先准备 python 环境，下载 BERT 语言模型。

• Python 3.6 环境

• BERT-Base, Chinese 中文模型

虚拟环境中安装所有需要的依赖

1 2	pip install kashgari pip install tensorflow

读取数据

1 2 3 4 5 6 7 8 9 10

train_x, train_y = ChinaPeoplesDailyNerCorpus.get_sequence_tagging_data('train') validate_x, validate_y = ChinaPeoplesDailyNerCorpus.get_sequence_tagging_data('validate') test_x, test_y  = ChinaPeoplesDailyNerCorpus.get_sequence_tagging_data('test') print(f"train data count: {len(train_x)}") print(f"validate data count: {len(validate_x)}") print(f"test data count: {len(test_x)}") train data count: 20864 validate data count: 2318 test data count: 4636

创建 BERT embedding

1 2	from kashgari.embeddings import BERTEmbedding embedding = BERTEmbedding('<PATH_TO_BERT_FOLDER>', 100)

创建模型并训练

1 2 3 4 5 6 7 8 9 10 11

from kashgari.tasks.seq_labeling import BLSTMCRFModel # 还可以选择 `BLSTMModel` 和 `CNNLSTMModel` model = BLSTMCRFModel(embedding) model.fit(train_x,          train_y,          y_validate=y_validate,          x_validate=x_validate,          epochs=200,          batch_size=500)

模型评估结果

模型训练

测试环境: V100, 2CPU 40G 感谢 OpenBayes BayesGear 算力容器 提供算力支持。
基础参数:

• batch_size: 2317

• sequence_length: 100

• epochs: 200

F1 score

	CNN-LSTM	B-LSTM	B-LSTM-CRF
bare embedding	0.5275	0.6569	0.6805
Word2vec	0.5042	0.6686	0.7341
BERT	0.8212	0.9043	0.9220

每 epoch 耗时

	CNN-LSTM	B-LSTM	B-LSTM-CRF
bare embedding	4s	7s	19s
Word2vec	5s	7s	20s
BERT	40s	46s	60s

最好成绩是 BERT + B-LSTM-CRF 模型效果最好。详细得分如下：

1 2 3 4 5 6 7

precision    recall  f1-score   support        LOC     0.9208    0.9324    0.9266      3431        ORG     0.8728    0.8882    0.8804      2147        PER     0.9622    0.9633    0.9627      1797 avg / total     0.9169    0.9271    0.9220      7375

模型预测

预测环境: MacBook Pro 13, 2 GHz Intel Core i5, 8G RAM

模型初始化耗时

	CNN-LSTM	B-LSTM	B-LSTM-CRF
bare embedding	13.535s	9.498s	8.739s
Word2vec	20.042s	14.942s	12.553s
BERT	37.952s	21.986s	24.435s

50个句子一次性预测

	CNN-LSTM	B-LSTM	B-LSTM-CRF
bare embedding	1.502s	1.395s	0.869s
Word2vec	1.034s	1.901s	0.876s
BERT	36.463s	31.252s	26.601s

50个句子循环预测时每个句子预测时间

	CNN-LSTM	B-LSTM	B-LSTM-CRF
bare embedding	0.014s	0.019s	0.035s
Word2vec	0.015s	0.019s	0.052s
BERT	0.606s	0.641s	0.573s

可以看得出同样的模型结构，BERT 能大幅度提高，但是也会导致训练时间，模型大小和预测时间大幅度上升。如果想在线实时预测可能性能无法达标，得考虑通过缓存之类的方案解决。