基于深度神經網絡的中文命名實體識別

江西地名研究

關注我們，獲取更多地名資訊

摘要：由于中文詞語缺乏明確的邊界和大小寫特征，單字在不同詞語下的意思也不盡相同，較于英文，中文命名實體識別顯得更加困難。該文利用詞向量的特點，提出了一種用于深度學習框架的字詞聯合方法，將字特征和詞特征統一地結合起來，它彌補了詞特征分詞錯誤蔓延和字典稀疏的不足，也改善了字特征因固定窗口大小導致的上下文缺失。在詞特征中加入詞性信息后，進一步提高了系統的性能。在1998年《人民日報》語料上的實驗結果表明，該方法達到了良好的效果，在地名、人名、機構名識別任務上分別提高1.6％、8％、3％，加入詞性特征的字詞聯合方法的F1值可以達到96.8％、94.6％、88.6％。

關鍵詞：命名實體識別；深度學習；神經網絡；機器學習；詞性

1 引言

命名實體識別（named entity recognition，NER）是自然語言處理（natural language processing，NLP）的一項基礎任務，它的重要作用是從文本中準確地識別出人名、地名、機構名、時間、貨幣等信息，為機器翻譯、自動文摘、主題發現、主題跟蹤等高級NLP任務提供實用的信息。最初的NER主要采用的是基于規則的識別，通過領域專家和語言學者手工制定有效規則，識別出命名實體。這樣的方法僅適用于簡單的識別系統，對于復雜的NER，要求規則之間不能產生沖突，因此制定規則會消耗人們大量的時間和精力，且領域遷移性欠佳。因此，隨著技術的發展，越來越多的人們采用機器學習的方法來完成NER任務。

近年來，研究者們把NER任務規約為一種序列標注任務，對于每一個輸入的字，判斷其標簽類別，根據最終的類別標簽判定命名實體的邊界和類型。例如，在“SBEIO”策略中，S表示這個字本身就是一個命名實體，B表示該字是命名實體的開始，I表示該字位于命名實體的中間位置，E表示命名實體的結尾，O表示該字不屬于命名實體的一部分。序列標注任務有許多適用的機器學習方法，例如，隱馬爾科夫模型（hidden markov models，HMM）、最大熵馬爾科夫模型（maximum entropy markovmodels，MEMM）、條件隨機場（conditional ran-dom fields，CRF）等。這些學習方法需要研究者手工提取有效的語法特征，設定模型的模板進行識別，因此特征模板的選擇直接影響NER的結果。Zhou和Su提出使用四種不同的特征去提高HMM在NER的性能。Borthwick等利用了MEMM和額外的知識集合，例如姓氏集，提高了NER標注的準確性。Lafferty等提出CRF用于模式識別和機器學習，后來McCallum和Li提出了特征感應的方法和Viterbi方法，用于尋找最優NER序列。在中文NER領域，存在著一些問題，例如系統的自適應性不強、網頁數據復雜、簡稱機構名識別困難。陳鈺楓提出使用雙語對齊信息來提高NER性能和雙語對齊結果，可以有效提高中文NER的自適應性。邱泉清提出使用CRF模型對微博數據進行命名實體識別，利用知識庫和合適的特征模板，取得了良好的效果。本文使用深度神經網絡進行NER，可以提高系統的召回率，有效提升系統的自適應性。

機器學習方法需要提取文本特征，如何高效地表示文本的語法和語義特征，是NLP領域亟需解決的問題。近幾年，word2vec的提出吸引了無數NLP愛好者的目光。它可以將詞語表示成一個固定長度的低維向量，這個向量被認為具有一定的潛在語義信息，近似詞語之間具有一定的向量相似性，詞向量之間還可以進行加減操作，獲得詞語之間的語義聯系，例如等式“國王—男＋女＝王后”成立。因此，使用詞向量作為輸入特征，可以更自然地展示語言的潛在信息，而且不需要手工設置特征模板，對于NER的識別具有一定的積極意義。可以把詞向量作為深度神經網絡的輸入，執行許多NLP任務。深度神經網絡是一個用于挖掘潛在有用特征的多層神經網絡，網絡的每一層的輸出是該語句的一種抽象表示，層級越高，表示的信息越抽象。語言本身就是一種抽象的表達，因此采用基于詞向量的特征表示，利用深度神經網絡進行命名實體識別，可以有效地提高NER的性能。

相較于西方語言如英語的NER，中文命名實體識別顯得更加困難，因為中文詞語沒有明確的邊界信息和首字大小寫信息。因此，分詞錯誤的漫延和信息缺失會大大降低NER的準確率。中文的字和詞都具有其特定的語義信息，相同的字組成不同順序的詞語之間的語義可能差別很大，而且由于詞典的不完備性，識別過程中會出現很多的未登錄詞造成識別的錯誤，自然地，基于字的命名實體識別方法被提出。但是，基于字的NER也有其自身的局限性。一方面，由于窗口大小的限制，導致無法獲得更多的有用信息；另一方面，中文詞語具有其特殊的含義，字也有它本身的意義，僅使用字的NER系統無法高效關聯出字詞之間的聯系。因此，我們考慮使用字詞結合的方法進行NER。詞性是詞語的重要屬性，詞性可以表達更加抽象的詞語特征，因此在NER中加入詞性特征可以為系統提供更多的有用信息，幫助分類算法進行分歧判斷。因此，我們提出將詞性信息加入特征向量中，該方法可進一步提高中文命名實體識別系統的性能。

本文的主要工作如下：（1）我們提出將深度神經網絡應用于中文命名實體識別，該方法可有效提高中文NER的性能；（2）我們利用字向量、詞向量的特點，提出了將字詞聯合的方法用于深度神經網絡的中文NER系統；（3）我們方便地在深度神經網絡中加入了詞性信息，進一步提高了系統的識別性能。

本文的組織結構如下：第一節介紹了引言及相關工作；第二節主要介紹了深度神經網絡的結構和訓練方法，詳細介紹了字向量、詞向量和字詞結合向量三種輸入特征的表示；第三節對比了不同窗口大小和隱藏節點個數情況下，在字向量、詞向量和字詞聯合向量作為輸入特征時，DNN在中文NER上的實驗結果；最后一節是本文的結論。

2 深度神經網絡

命名實體識別任務可以被抽象為輸入的每一個字進行“SBEIO”標簽預測的問題。傳統的標注方法是人工選擇一組適合該任務的特征模板，標注結果的好壞依賴于特征模板的質量。因此，研究者需要學習和掌握語言學知識和領域常識，這會消耗大量的時間、財力和精力。Collobert等提出了一種深度神經網絡（deep neural network，DNN）結構，普遍適用于許多NLP標注任務。DNN可以訓練一套低維詞向量用于詞語的特征表示，它不再需要人工設計一個特殊的特征模板，最重要的是詞語的向量之間具有潛在的語義關系，因此使用詞向量可以提高任務的召回率。除此之外，DNN可以很方便的加入額外的特征信息。所以，我們選擇深度神經網絡結構進行中文NER任務。

DNN是一個多層的神經網絡，它的結構如圖1所示。第一層是輸入層，它主要負責將輸入窗口的字或者詞進行詞向量的映射，所有出現在字典中的字或者詞都有一個固定長度的低維向量，這些向量被存放在Lookup表中，當輸入窗口產生新的字詞后，輸入層將對這些字詞進行向量映射，將其按順序進行組合，獲得該窗口下的窗口向量，窗口向量作為DNN第二層的輸入。第二層是一個標準的神經網絡，它具有兩個線性層和一個位于中間的非線性層。第三層是采用Viterbi算法實現的輸出層，它主要負責對輸入的句子進行最優標簽序列的搜索。

2.1 詞向量特征

我們定義一個字典DC和一個詞典DW，所有字向量均保存在字向量矩陣中，所有的詞向量均保存在詞向量矩陣中，其中和分別表示每個字向量和詞向量的維度，｜DC｜和｜DW｜分別表示字典和詞典的大小。

給定一個中文句子c[1：n]，這個句子由n個字組成，經過分詞以后，這個句子可以被分為m個詞語。我們使用映射函數和，如式（1）、式（2）所示 。

其中的第列。是在字典中的字典序，是在詞典中的詞典序。

2.1.1 字特征

假定中文句子c[1：n]，首先我們抽取每個字的特征向量作為深度神經網絡的輸入。對每一個字，最簡單的方法是直接使用作為的輸入特征，但是每個字的上下文對于這個字所表達的意義具有重要的作用，因此應該盡可能地使用上下文為提供更多的信息。由于句子的長短不一，為了適應不同長度的句子，使用滑動窗口的方式進行字特征的提取是合理的。

我們定義字窗口大小為，然后按照從左到右的順序滑動窗口，對于每一個字，它的輸入特征定義為：

如果出現字不在字典中的情況或者超邊界，我們將其映射為一個固定的向量，在實驗中我們為每一維數值均設定相同的歸一化向量。

字特征向量作為神經網絡模型的輸入，需要經過兩次線性變換和一次非線性變換g（·）抽取特征。我們采用sigmoid函數作為非線性變換的抽取函數：

假設NER的標簽種類用表示，則神經網絡的輸出是一個｜｜維的向量。例如，使用“SBEIO”策略則輸出層包含五個節點。這個輸出向量表示對滑動窗口中字，預測每個標簽的概率。我們可以對每個字按照如式（5）進行概率預測。

其中，和

是訓練參數，是預設定的隱藏層的節點數。

2.1.2 詞特征

類似字特征，我們定義詞特征窗口為，對于詞，它的輸入特征可以簡單定義為：

詞向量的表示還有一個優點，就是可以方便的添加新的特征。例如，對于詞語可以添加詞性特征，對于單字可以添加姓氏特征等。由于命名實體的構成依賴于外部語言環境，詞性信息可以很好地對詞語進行抽象，進一步發現語句的結構聯系，所以我們在詞特征中加入詞性信息，進一步提高NER的性能。

我們定義詞性標注集合為POS，現定義一個單位方陣，當詞被標記為時，其對應的詞性序為k，的詞性向量表示為，它是一個One-hot向量，向量第k值為1，其余全部為0。其映射函數如式（7）所示。

給定某個中文語句由m個詞w[1：m]組成，詞性標注序列為ps[1：m]。那么，詞特征可以被定義為：

帶詞性的詞特征被定義為每個詞向量及其詞性one-hot向量的拼接，然后首尾相接組成詞特征。

2.1.3 字詞結合特征

我們選擇字詞結合的向量主要基于以下兩個原因：（1）基于字的NER不能夠理解中文漢字的意義，例如“中國”和“印度尼西亞”在僅使用字窗口的情況下，因為窗口限制及字長差異，是無法進行聯系擴展并將其正確地識別為地名的；（2）基于詞的NER強依賴于分詞結果的質量和詞典的完備程度，如果分詞出現錯誤會直接影響NER的結果。另外，因為不存在于詞典中的詞語會被映射為一個特殊的向量，意味著這個詞語本身不能夠提供任何信息，極有可能造成詞語的誤判斷。因此，我們選擇字詞結合的方式進行NER，二者之間可以進行有效的互補，從而提高NER系統的識別性能。

設定一種字詞映射關系：

結合的鄰近字和的上下文，定義字窗口和詞窗口大小分別為ω?和，從左至右滑動輸入窗口，對于每個字，它的字詞聯合輸入特征定義為：

加入詞性特征以后的字詞聯合特征如圖2所示，針對“上”字，抽取的5窗口的字特征如圖左所示，因為“上”是“上海”的一部分，所以詞特征方面是以“上海”為中心的，其窗口的詞語如圖右所示，關于詞性特征，以“上海”是名詞為例，詞性信息在／n位置顯示的是1，其他部分均為0。經過將字特征和詞特征進行連接，共同作為“上”的輸入特征，進入神經網絡進行處理，該輸入特征的定義為：

假設標簽集合為T，神經網絡的輸出為｜T｜維向量，用于指示輸入字的標簽概率。它的預測函數可以定義為：

其中，為訓練參數，H為隱藏節點個數。

2.2 語句評分

NER的標注結果取決于兩個數值，一是神經網絡輸出層的輸出概率，二是標簽的轉移概率轉移概率。表示的是從第i∈T個標簽轉移到第j∈T個標簽的概率，例如B標簽后面接E標簽的概率要遠大于接S標簽的概率。對于不會發生的轉移，可以采用設置其轉移概率為很小的負數來進行簡化計算。對于可能出現的轉移情況，可以采用隨機初始化或者平均初始化其轉移概率。最后可以采用Vertibi算法計算最優標簽路徑。

對于一個給定的句子c[1：n]，神經網絡為每一個字輸出一個標簽概率向量，則對該句子輸出層是一個標簽概率矩陣，其中表示的是第i個字標記為標簽t?的概率，其計算方法如式（12）。給定句子c[1：n]，標注的標簽t[1：n]，將標簽概率和轉移概率聯合，表示的是整個句子標注得分，該得分定義為：

因此，我們選擇最優標簽序列，即使得s（c[1：n]，t[1：n]，θ）最大的似然估計，最優序列定義如下：

使用Viterbi算法可以快速計算出句子的最優標簽序列。

2.3 梯度下降訓練模型

該模型的訓練參數為θ=，可以選擇梯度下降法，對訓練集合中的每個訓練樣本（c，t）進行迭代訓練，最大化句子的概率。參數的更新操作如下：

其中，λ是訓練速度，P（·）是神經網絡最終的輸出分數，t和c分別表示的是標簽序列t[1：n]和輸入文本c[1：n]的簡寫。P(t｜c，θ)表示的是給定句子c標記為序列t的條件概率，我們需要對它進行歸一化處理，主要采用softmax方法進行歸一化。

其中TP表示的是給定句子c，所有可能的標簽序列集合。它的對數似然可以表示為：

隨著句子長度的增加，｜TP｜會迅速增長，雖然計算一次可行路徑的耗時是線性的，但是計算所有可行路徑卻是指數級的。因此我們選用Zheng提出的加速算法，對模型進行更新。

3 實驗

我們共進行了三組實驗進行人名、地名、機構名的識別，第一組實驗的目的是對DNN參數進行選擇，第二組實驗是對比字向量、詞向量和字詞結合向量的NER性能，第三組實驗是比較加入詞性特征后的系統識別性能。

第一組實驗選用的是1998年《人民日報》語料1月（RMRB-98-1）的數據，選擇前75％共14860句的數據作為開發訓練集，剩余作為開發驗證集。第二組實驗選用的數據集是1998年《人民日報》語料（RMRB-98）1月至6月的數據，選取80％共100000句的數據作為訓練集，其余部分作為測試集。第三組實驗的數據與第二組相同，我們加入一級詞性、二級詞性特征后，觀察識別的F1值的變化情況。除此之外，使用word2vec對新浪新聞5個季度635MB的數據進行無監督訓練，非線性函數選取的是tanh函數，生成字向量和詞向量，分詞工具使用的是無字典的ICTCLAS。

實驗采用C++編程，運行服務器配置為2.05 GHz AMD Opteron（TM）CPU和8GB內存，軟件使用的是Linux操作系統和g++編譯器。實驗的評測方法是F1值、準確率、召回率。

3.1 DNN參數實驗

我們使用RMRB-98-1作為開發集，對參數的選擇進行實驗分析。對于人名（PERSON）、地名（LOCA）、機構名（ORGAN）三種識別任務，分別采用字特征（CHAR）、詞特征（WORD）、字詞聯合（CH—WO）特征進行實驗，對比在不同窗口大小和不同隱藏層節點的情況下F值的變化情況，實驗結果如圖2、圖3所示。

從圖2可以看出，當窗口大小在3～5時，系統的識別效果較好。我們可以觀察到如下現象：字詞結合系統對于大部分識別任務是窗口大小不敏感的，在小窗口下也可以達到很好的效果；人名任務的最優窗口大小為5，因為中文人名一般都小于5并且這樣的窗口大小可以帶來一部分信息；當窗口大于5時，由于過擬合的原因，機構名的識別準確率急速下降。從圖3可以觀察到，當隱藏節點足夠多時，系統的性能不再受到很大影響，而且隱藏節點數目越多系統運行越緩慢。因此，在余下的實驗中，我們設定了300個隱藏節點。

3.2 字詞法合向量對比實驗

字向量、詞向量、字詞結合向量對比實驗的數據集為RMRB-98，參數設定如表1所示，實驗結果如表2所示。

對于地名和機構名任務，詞向量的結果優于字向量，這主要是因為詞向量更能表達詞語的潛在語義關系。中文句子是由許多詞語組成的，相同的字的不同組合，語句中詞語意思也可能不相同，而且字特征的窗口受到限制，因此NER的結果普遍不如詞向量。但是對于人名識別任務，由于詞典稀疏問題，詞向量方法中人名會被影射成一個特殊向量，降低了識別效果，而且人名更關注于姓氏和語句結構，因此使用字向量效果更好。

字特征和詞特征都有其自身的局限性，因此當使用字詞結合向量后，三類任務的取值均有較大提升，對地名、人名、機構名的提升度分別達到了1.6%、8%、3%。

3.3 結合詞性特征對比實驗

使用DNN結構可以輕松地加入額外的特征信息。例如，當我們加入了詞性特征以后，系統的性能有了很大的提高。我們分別對比了不增加詞性信息（no-pos）、增加一級詞性標注（1-pos）、增加二級詞性標注（2-pos）的實驗結果。實驗中的詞性使用《現代漢語語料庫加工——詞語切分與詞性標注規范》中的詞性標注符號。其中一級詞性有25個，二級詞性有39個，如表3所示。實驗結果如表4所示。我們和現階段較好的NER模型——Hybrid Mod-el（HM）進行了實驗對比，HM模型使用的訓練數據和測試數據與本文方法相同，實驗結果顯示：加入詞性標注的字詞聯合模型可以超越HM的識別性能，在地名、人名和機構名的識別上，F1值可以達到96.8％、94.6％、88.6％。尤其需要指出的是，本文的方法有效提高了地名、人名和機構名識別任務的召回率，加入2-pos后系統性能提升明顯。其中在人名F1值方面我們的模型不如HM好，主要原因是HM進行了人名的細分，它針對不同國家的人名訓練了不同的模型并進行混合，而我們的模型是不區分國家人名的，所以我們的結果略差于HM模型。與此同時，我們還使用了CRF模型與本文方法進行比較，實驗結果表明，加入2-pos后的系統在地名和人名識別方面表現出色，但機構名識別方面準確率不如CRF高，這可能是由于機構名構成復雜，神經網絡語言模型只利用了局部信息而沒有利用全局信息導致的。

4 結論與展望

本文介紹了用于中文命名實體識別的深度神經網絡，提出了字詞結合方法，有效地彌補了單字識別和單詞識別的不足，加入詞性特征后的識別系統性能更加魯棒。實驗對比了字向量、詞向量和字詞結合向量在中文NER上的結果，字詞結合方法對中文NER有較大提升。目前，跟命名實體相關的專用特征還沒有加入到系統中，我們下一步將考慮加入姓氏集、地區特征集等相關特征，進一步觀察該方法的系統性能。

作者：張海楠，伍大勇，劉悅，程學旗

來源：《中文信息學報》2017年第4期

選稿：耿 曈

編輯：賀雨婷

校對：歐陽莉艷

審訂：杜佳玲

責編：耿 曈

（由于版面內容有限，文章注釋內容請參照原文）

微信掃碼加入

中國地名研究交流群

QQ掃碼加入

江西地名研究交流群

歡迎來稿！歡迎交流！

轉載請注明來源：“江西地名研究”微信公眾號