融入词汇信息的基于字的命名实体识别方法

融入词汇信息的基于字的命名实体识别方法

基于词的中文命名实体识别方法，前期存在不可避免的分词错误，会导致后期命名实体识别过程中

实体边界识别错误，进而导致方法的性能指标下降。

而基于字的命名实体识别方法，虽然不存在分词错误，但是没有考虑词的信息。

经验上，相当一部分实体边界是词的边界，说明词可以提供丰富的边界信息。

对于句子南京市长江大桥若无词信息，可以会提取出南京市长、江大桥这种错误信息。

基于词与基于字的模型结构如下所示

为了提高基于字的命名实体识别方法的性能指标，研究者考虑将词汇信息融入基于字的命名实体识别方法中。

Chinese NER Using Lattice LSTM与An Encoding Strategy Based Word-Character LSTM for Chinese NER就是其中的两篇经典论文，下面分别介绍。

---

Chinese NER Using Lattice LSTM

经典的LSTM框图、计算公式如下, 详细可参考如何从RNN起步，一步一步通俗理解LSTM

作者提出为了融入词汇信息，作者提出了Lattice LSTM。框架如下图

Lattice LSTM的基本框架是基于字级的LSTM，但是在隐状态向量传递的中间，多加了一个词汇路径

从词汇开始的字流向词汇结束的字。控制词汇信息流动的门控计算公式如下。

$h_b^c$hbc​是词汇开始字输出hidden state， $x_{b,e}^w$xb,ew​是词嵌入向量，$c_b^c$cbc​是词汇开始字输出的cell state

由于会存在多个词汇，以相同的字结尾，所以会有多条路径通向同一个字。作者利用softmax公式，计算各个词汇信息输入的input gate和原本字符的input gate比重，来计算字最后的cell state，之后hidden state与普通的LSTM计算公式一样。具体的公式如下

计算cell state，作者并没有使用遗忘门，参考一些博主的解释：在控制词汇信息流入的时候，已经对主干的cell state进行了forget控制。就是公式13中的forget门的作用

缺点:

由于词汇的长度和数量是变量，无法固定，所以Lattice LSTM无法批量训练。实际使用过程中，由于无法批量训练并且结构复杂，所以导致模型训练较慢

---

An Encoding Strategy Based Word-Character LSTM for Chinese NER

总体模型框架图如下

与lattice LSTM相比，该方法并没有改变原本双向lstm结构，而是在输入的字向量中融入词汇信息。

在forward LSTM中融入基于字开头的词汇信息。

在backward LSTM中融入基于字结尾的词汇信息。

跟lattice LSTM中存在相同的情况，即存在多个以相同字开头的词汇信息，或多个以相同字结尾的词汇信息。

作者分别采取四种策略，来解决这种情况。

• Shorest Word First: 选择其中(相同字结尾或相同字开头的词汇列表中）最短的词汇(信息)
• Longest Word First:选择其中(相同字结尾或相同字开头的词汇列表中）最长的词汇(信息)
• Average：对词汇信息进行平均
• Self-Attention:利用自注意力机制对词汇信息赋予不同的权重，进行计算。

需要说明一下论文中细节

由于需要批量训练，所以每个字融入的词汇信息维度必须是一样的。

所以必须确定单个字融入的词汇信息数量这个超参数。

参考

论文阅读总结——Chinese NER Using Lattice LSTM

chinese ner using lattice lstm

An Encoding Strategy Based Word-Character LSTM for Chinese NER