基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別

張海楠，伍大勇，劉 悅，程學(xué)旗

(1. 中國科學(xué)院 計(jì)算技術(shù)研究所，北京 100190； 2. 煙臺(tái)中科網(wǎng)絡(luò)技術(shù)研究所，山東 煙臺(tái) 264000)

基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別

張海楠1，伍大勇1，劉 悅1，程學(xué)旗2

(1. 中國科學(xué)院 計(jì)算技術(shù)研究所，北京 100190； 2. 煙臺(tái)中科網(wǎng)絡(luò)技術(shù)研究所，山東 煙臺(tái) 264000)

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(shí)體識(shí)別顯得更加困難。該文利用詞向量的特點(diǎn)，提出了一種用于深度學(xué)習(xí)框架的字詞聯(lián)合方法，將字特征和詞特征統(tǒng)一地結(jié)合起來，它彌補(bǔ)了詞特征分詞錯(cuò)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(dǎo)致的上下文缺失。在詞特征中加入詞性信息后，進(jìn)一步提高了系統(tǒng)的性能。在1998年《人民日報(bào)》語料上的實(shí)驗(yàn)結(jié)果表明，該方法達(dá)到了良好的效果，在地名、人名、機(jī)構(gòu)名識(shí)別任務(wù)上分別提高1.6%、8%、3%，加入詞性特征的字詞聯(lián)合方法的F1值可以達(dá)到96.8%、94.6%、88.6%。

命名實(shí)體識(shí)別；深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)；詞性

Abstract: Chinese NER is challenged by the implicit word boundary, lack of capitalization, and the polysemy of a single character in different words. This paper proposes a novel character-word joint encoding method in a deep learning framework for Chinese NER. It decreases the effect of improper word segmentation and sparse word dictionary in word-only embedding, while improves the results in character-only embedding of context missing. Experiments on the corpus of the Chinese Peoples' Daily Newspaper in 1998 demonstrates a good results: at least 1.6%, 8% and 3% improvements, respectively, in location, person and organization recognition tasks compared with character or word features; and 96.8%, 94.6%, 88.6% in F1, respectively, on location, person and organization recognition tasks if integrated with part of speech feature.

Key words: named entity recognition; deep learning; neural network; machine learning; POS

1 引言

命名實(shí)體識(shí)別(named entity recognition,NER)是自然語言處理(natural language processing,NLP)的一項(xiàng)基礎(chǔ)任務(wù)，它的重要作用是從文本中準(zhǔn)確地識(shí)別出人名、地名、機(jī)構(gòu)名、時(shí)間、貨幣等信息[1]，為機(jī)器翻譯、自動(dòng)文摘、主題發(fā)現(xiàn)、主題跟蹤等高級NLP任務(wù)提供實(shí)用的信息。最初的NER主要采用的是基于規(guī)則的識(shí)別，通過領(lǐng)域?qū)＜液驼Z言學(xué)者手工制定有效規(guī)則，識(shí)別出命名實(shí)體。這樣的方法僅適用于簡單的識(shí)別系統(tǒng)，對于復(fù)雜的NER，要求規(guī)則之間不能產(chǎn)生沖突，因此制定規(guī)則會(huì)消耗人們大量的時(shí)間和精力，且領(lǐng)域遷移性欠佳。因此，隨著技術(shù)的發(fā)展，越來越多的人們采用機(jī)器學(xué)習(xí)的方法來完成NER任務(wù)。

近年來，研究者們把NER任務(wù)規(guī)約為一種序列標(biāo)注任務(wù)[2]，對于每一個(gè)輸入的字，判斷其標(biāo)簽類別，根據(jù)最終的類別標(biāo)簽判定命名實(shí)體的邊界和類型。例如,在“SBEIO”策略中，S表示這個(gè)字本身就是一個(gè)命名實(shí)體，B表示該字是命名實(shí)體的開始，I表示該字位于命名實(shí)體的中間位置，E表示命名實(shí)體的結(jié)尾，O表示該字不屬于命名實(shí)體的一部分。序列標(biāo)注任務(wù)有許多適用的機(jī)器學(xué)習(xí)方法，例如，隱馬爾科夫模型(hidden markov models, HMM)[3]、最大熵馬爾科夫模型(maximum entropy markov models, MEMM )[4]、條件隨機(jī)場(conditional random fields, CRF)[5]等。這些學(xué)習(xí)方法需要研究者手工提取有效的語法特征，設(shè)定模型的模板進(jìn)行識(shí)別，因此特征模板的選擇直接影響NER的結(jié)果。Zhou和Su[6]提出使用四種不同的特征去提高HMM在NER的性能。Borthwick[4]等利用了MEMM和額外的知識(shí)集合，例如姓氏集，提高了NER標(biāo)注的準(zhǔn)確性。Lafferty[7]等提出CRF用于模式識(shí)別和機(jī)器學(xué)習(xí)，后來McCallum和Li[5]提出了特征感應(yīng)的方法和Viterbi方法,用于尋找最優(yōu)NER序列。在中文NER領(lǐng)域，存在著一些問題，例如系統(tǒng)的自適應(yīng)性不強(qiáng)、網(wǎng)頁數(shù)據(jù)復(fù)雜、簡稱機(jī)構(gòu)名識(shí)別困難[8]。陳鈺楓[9]提出使用雙語對齊信息來提高NER性能和雙語對齊結(jié)果，可以有效提高中文NER的自適應(yīng)性。邱泉清[10]提出使用CRF模型對微博數(shù)據(jù)進(jìn)行命名實(shí)體識(shí)別，利用知識(shí)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(jīng)網(wǎng)絡(luò)進(jìn)行NER,可以提高系統(tǒng)的召回率，有效提升系統(tǒng)的自適應(yīng)性。

機(jī)器學(xué)習(xí)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(lǐng)域亟需解決的問題。近幾年，word2vec的提出吸引了無數(shù)NLP愛好者的目光。它可以將詞語表示成一個(gè)固定長度的低維向量，這個(gè)向量被認(rèn)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(jìn)行加減操作，獲得詞語之間的語義聯(lián)系，例如等式“國王-男+女=王后”成立[11]。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(shè)置特征模板，對于NER的識(shí)別具有一定的積極意義。可以把詞向量作為深度神經(jīng)網(wǎng)絡(luò)的輸入，執(zhí)行許多NLP任務(wù)[12]。深度神經(jīng)網(wǎng)絡(luò)是一個(gè)用于挖掘潛在有用特征的多層神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)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(dá)，因此采用基于詞向量的特征表示，利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行命名實(shí)體識(shí)別，可以有效地提高NER的性能[12]。

相較于西方語言如英語的NER，中文命名實(shí)體識(shí)別顯得更加困難,因?yàn)橹形脑~語沒有明確的邊界信息和首字大小寫信息。因此,分詞錯(cuò)誤的漫延和信息缺失會(huì)大大降低NER的準(zhǔn)確率[13]。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(shí)別過程中會(huì)出現(xiàn)很多的未登錄詞造成識(shí)別的錯(cuò)誤，自然地，基于字的命名實(shí)體識(shí)別方法被提出[14]。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(dǎo)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(tǒng)無法高效關(guān)聯(lián)出字詞之間的聯(lián)系。因此，我們考慮使用字詞結(jié)合的方法進(jìn)行NER。詞性是詞語的重要屬性，詞性可以表達(dá)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(tǒng)提供更多的有用信息[2]，幫助分類算法進(jìn)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(jìn)一步提高中文命名實(shí)體識(shí)別系統(tǒng)的性能。

本文的主要工作如下: (1)我們提出將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于中文命名實(shí)體識(shí)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(diǎn)，提出了將字詞聯(lián)合的方法用于深度神經(jīng)網(wǎng)絡(luò)的中文NER系統(tǒng)； (3)我們方便地在深度神經(jīng)網(wǎng)絡(luò)中加入了詞性信息，進(jìn)一步提高了系統(tǒng)的識(shí)別性能。

本文的組織結(jié)構(gòu)如下: 第一節(jié)介紹了引言及相關(guān)工作；第二節(jié)主要介紹了深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法，詳細(xì)介紹了字向量、詞向量和字詞結(jié)合向量三種輸入特征的表示；第三節(jié)對比了不同窗口大小和隱藏節(jié)點(diǎn)個(gè)數(shù)情況下，在字向量、詞向量和字詞聯(lián)合向量作為輸入特征時(shí)，DNN在中文NER上的實(shí)驗(yàn)結(jié)果；最后一節(jié)是本文的結(jié)論。

2 深度神經(jīng)網(wǎng)絡(luò)

命名實(shí)體識(shí)別任務(wù)可以被抽象為輸入的每一個(gè)字進(jìn)行“SBEIO”標(biāo)簽預(yù)測的問題。傳統(tǒng)的標(biāo)注方法是人工選擇一組適合該任務(wù)的特征模板，標(biāo)注結(jié)果的好壞依賴于特征模板的質(zhì)量。因此，研究者需要學(xué)習(xí)和掌握語言學(xué)知識(shí)和領(lǐng)域常識(shí)，這會(huì)消耗大量的時(shí)間、財(cái)力和精力。Collobert[12]等提出了一種深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)結(jié)構(gòu)，普遍適用于許多NLP標(biāo)注任務(wù)。DNN可以訓(xùn)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(shè)計(jì)一個(gè)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(guān)系，因此使用詞向量可以提高任務(wù)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行中文NER任務(wù)。

DNN是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，它的結(jié)構(gòu)如圖1所示。第一層是輸入層，它主要負(fù)責(zé)將輸入窗口的字或者詞進(jìn)行詞向量的映射，所有出現(xiàn)在字典中的字或者詞都有一個(gè)固定長度的低維向量，這些向量被存放在Lookup表中，當(dāng)輸入窗口產(chǎn)生新的字詞后，輸入層將對這些字詞進(jìn)行向量映射，將其按順序進(jìn)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(gè)標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)，它具有兩個(gè)線性層和一個(gè)位于中間的非線性層。第三層是采用Viterbi算法實(shí)現(xiàn)的輸出層，它主要負(fù)責(zé)對輸入的句子進(jìn)行最優(yōu)標(biāo)簽序列的搜索。

圖1 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 詞向量特征

我們定義一個(gè)字典DC和一個(gè)詞典DW，所有字向量均保存在字向量矩陣Μc∈Rdc×|DC|中，所有的詞向量均保存在詞向量矩陣Μw∈Rdw×|DW|中，其中dc和dw分別表示每個(gè)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(gè)中文句子c[1∶n]，這個(gè)句子由n個(gè)字ci∈DC,1≤i≤n組成，經(jīng)過分詞以后，這個(gè)句子可以被分為m個(gè)詞語wj∈DW,1≤j≤m。我們使用映射函數(shù)Ψc(·)∈Rdc和Ψw(·)∈Rdw，如式(1)、式(2)所示。

2.1.1 字特征

假定中文句子c[1∶n]，首先我們抽取每個(gè)字的特征向量作為深度神經(jīng)網(wǎng)絡(luò)的輸入。對每一個(gè)字ci，最簡單的方法是直接使用Ψc(ci)作為ci的輸入特征，但是每個(gè)字的上下文對于這個(gè)字所表達(dá)的意義具有重要的作用，因此應(yīng)該盡可能地使用上下文為ci提供更多的信息。由于句子的長短不一，為了適應(yīng)不同長度的句子，使用滑動(dòng)窗口的方式進(jìn)行字特征的提取是合理的。

我們定義字窗口大小為ωc，然后按照從左到右的順序滑動(dòng)窗口，對于每一個(gè)字ci，它的輸入特征定義為:

(3)

如果出現(xiàn)字不在字典中的情況或者超邊界，我們將其映射為一個(gè)固定的向量，在實(shí)驗(yàn)中我們?yōu)槊恳痪S數(shù)值均設(shè)定相同的歸一化向量。

(4)

假設(shè)NER的標(biāo)簽種類用Tc表示，則神經(jīng)網(wǎng)絡(luò)的輸出是一個(gè)|Tc|維的向量。例如，使用“SBEIO”策略則輸出層包含五個(gè)節(jié)點(diǎn)。這個(gè)輸出向量表示對滑動(dòng)窗口中字ci預(yù)測每個(gè)標(biāo)簽的概率。我們可以對每個(gè)字按照如式(5)進(jìn)行概率預(yù)測。

(5)

2.1.2 詞特征

類似字特征，我們定義詞特征窗口為ωw，對于詞ωj，它的輸入特征可以簡單定義為:

(6)

詞向量的表示還有一個(gè)優(yōu)點(diǎn),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(shí)體的構(gòu)成依賴于外部語言環(huán)境，詞性信息可以很好地對詞語進(jìn)行抽象，進(jìn)一步發(fā)現(xiàn)語句的結(jié)構(gòu)聯(lián)系，所以我們在詞特征中加入詞性信息，進(jìn)一步提高NER的性能。

我們定義詞性標(biāo)注集合為POS，現(xiàn)定義一個(gè)單位方陣Μp∈R|POS|×|POS|，當(dāng)詞ωj被標(biāo)記為psj時(shí)，其對應(yīng)的詞性序?yàn)閗，wj的詞性向量表示為Ψp(psj)∈R|POS|，它是一個(gè)One-hot向量，向量第k值為1，其余全部為0。其映射函數(shù)如式(7)所示。

(7)

給定某個(gè)中文語句由m個(gè)詞w[1∶m]組成，詞性標(biāo)注序列為ps[1:m]。那么，詞特征可以被定義為:

(8)

帶詞性的詞特征被定義為每個(gè)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(jié)合特征

我們選擇字詞結(jié)合的向量主要基于以下兩個(gè)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?yàn)榇翱谙拗萍白珠L差異，是無法進(jìn)行聯(lián)系擴(kuò)展并將其正確地識(shí)別為地名的； (2)基于詞的NER強(qiáng)依賴于分詞結(jié)果的質(zhì)量和詞典的完備程度，如果分詞出現(xiàn)錯(cuò)誤會(huì)直接影響NER的結(jié)果。另外，因?yàn)椴淮嬖谟谠~典中的詞語會(huì)被映射為一個(gè)特殊的向量，意味著這個(gè)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(jié)合的方式進(jìn)行NER，二者之間可以進(jìn)行有效的互補(bǔ)，從而提高NER系統(tǒng)的識(shí)別性能。

設(shè)定一種字詞映射關(guān)系:

ci?wj

(9)

其中wj=ci-t…ci…ci+k,t,k≥0。

結(jié)合ci的鄰近字和wj的上下文，定義字窗口和詞窗口大小分別為ωc和ωw，從左至右滑動(dòng)輸入窗口，對于每個(gè)字ci?wj，它的字詞聯(lián)合輸入特征定義為:

(10)

加入詞性特征以后的字詞聯(lián)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?yàn)椤吧稀笔恰吧虾！钡囊徊糠?，所以詞特征方面是以“上?！睘橹行牡?，其窗口的詞語如圖右所示，關(guān)于詞性特征，以“上?！笔敲~為例，詞性信息在/n位置顯示的是1，其他部分均為0。經(jīng)過將字特征和詞特征進(jìn)行連接，共同作為“上”的輸入特征，進(jìn)入神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，該輸入特征的定義為:

(11)

圖2 字詞聯(lián)合特征

假設(shè)標(biāo)簽集合為T，神經(jīng)網(wǎng)絡(luò)的輸出為|T|維向量，用于指示輸入字ci的標(biāo)簽概率。它的預(yù)測函數(shù)可以定義為:

(12)

其中Whid∈RH×(ωcdc+ωwdw),bhid∈RH,Wout∈R|T|×H,bout∈R|T|為訓(xùn)練參數(shù)，H為隱藏節(jié)點(diǎn)個(gè)數(shù)。

2.2 語句評分

NER的標(biāo)注結(jié)果取決于兩個(gè)數(shù)值，一是神經(jīng)網(wǎng)絡(luò)輸出層的輸出概率，二是標(biāo)簽的轉(zhuǎn)移概率Aij[12]。轉(zhuǎn)移概率Aij表示的是從第i∈T個(gè)標(biāo)簽轉(zhuǎn)移到第j∈T個(gè)標(biāo)簽的概率，例如B標(biāo)簽后面接E標(biāo)簽的概率要遠(yuǎn)大于接S標(biāo)簽的概率。對于不會(huì)發(fā)生的轉(zhuǎn)移，可以采用設(shè)置其轉(zhuǎn)移概率為很小的負(fù)數(shù)來進(jìn)行簡化計(jì)算。對于可能出現(xiàn)的轉(zhuǎn)移情況，可以采用隨機(jī)初始化或者平均初始化其轉(zhuǎn)移概率。最后可以采用Vertibi算法計(jì)算最優(yōu)標(biāo)簽路徑。

對于一個(gè)給定的句子c[1∶n]，神經(jīng)網(wǎng)絡(luò)為每一個(gè)字輸出一個(gè)標(biāo)簽概率向量，則對該句子輸出層是一個(gè)標(biāo)簽概率矩陣score(θ,c[1∶n])∈R|T|×n，其中score(t[i],c[i],θ)表示的是第i個(gè)字ci標(biāo)記為標(biāo)簽ti的概率，其計(jì)算方法如式(12)。給定句子c[1∶n]，標(biāo)注的標(biāo)簽t[1∶n]，將標(biāo)簽概率和轉(zhuǎn)移概率聯(lián)合，表示的是整個(gè)句子標(biāo)注得分，該得分定義為:

+score(t[i],c[i],θ)

(13)

(14)

使用Viterbi算法可以快速計(jì)算出句子的最優(yōu)標(biāo)簽序列。

2.3 梯度下降訓(xùn)練模型

該模型的訓(xùn)練參數(shù)為θ={Mc,Mw,Whid,qhid,Wout,qout,Aij}，可以選擇梯度下降法，對訓(xùn)練集合中的每個(gè)訓(xùn)練樣本(c,t)進(jìn)行迭代訓(xùn)練，最大化句子的概率[12]。參數(shù)的更新操作如下:

(15)

其中,λ是訓(xùn)練速度，p(·) 是神經(jīng)網(wǎng)絡(luò)最終的輸出分?jǐn)?shù)[13]，t和c分別表示的是標(biāo)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(biāo)記為序列t的條件概率，我們需要對它進(jìn)行歸一化處理，主要采用softmax方法進(jìn)行歸一化。

(16)

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

(17)

隨著句子長度的增加，|TP|會(huì)迅速增長，雖然計(jì)算一次可行路徑的耗時(shí)是線性的，但是計(jì)算所有可行路徑卻是指數(shù)級的。因此我們選用Zheng[15]提出的加速算法，對模型進(jìn)行更新。

3 實(shí)驗(yàn)

我們共進(jìn)行了三組實(shí)驗(yàn)進(jìn)行人名、地名、機(jī)構(gòu)名的識(shí)別，第一組實(shí)驗(yàn)的目的是對DNN參數(shù)進(jìn)行選擇，第二組實(shí)驗(yàn)是對比字向量、詞向量和字詞結(jié)合向量的NER性能，第三組實(shí)驗(yàn)是比較加入詞性特征后的系統(tǒng)識(shí)別性能。

第一組實(shí)驗(yàn)選用的是1998年《人民日報(bào)》語料1月(RMRB-98-1)的數(shù)據(jù)，選擇前75%共14 860句的數(shù)據(jù)作為開發(fā)訓(xùn)練集，剩余作為開發(fā)驗(yàn)證集。第二組實(shí)驗(yàn)選用的數(shù)據(jù)集是1998年《人民日報(bào)》語料(RMRB-98)1月至6月的數(shù)據(jù)，選取80%共100 000句的數(shù)據(jù)作為訓(xùn)練集，其余部分作為測試集。第三組實(shí)驗(yàn)的數(shù)據(jù)與第二組相同，我們加入一級詞性、二級詞性特征后，觀察識(shí)別的F1值的變化情況。除此之外，使用word2vec對新浪新聞*可以在http: //zhangkaixu.github.io/resources.html下載。5個(gè)季度635MB的數(shù)據(jù)進(jìn)行無監(jiān)督訓(xùn)練，非線性函數(shù)選取的是tanh函數(shù)，生成字向量和詞向量，分詞工具使用的是無字典的ICTCLAS。

實(shí)驗(yàn)采用C++編程，運(yùn)行服務(wù)器配置為2.05 GHz AMD Opteron(TM)CPU和8 GB內(nèi)存，軟件使用的是Linux操作系統(tǒng)和g++編譯器。實(shí)驗(yàn)的評測方法是F1值、準(zhǔn)確率、召回率。

3.1 DNN參數(shù)實(shí)驗(yàn)

我們使用RMRB-98-1作為開發(fā)集，對參數(shù)的選擇進(jìn)行實(shí)驗(yàn)分析。對于人名(PERSON)、地名(LOCA)、機(jī)構(gòu)名(ORGAN)三種識(shí)別任務(wù)，分別采用字特征(CHAR)、詞特征(WORD)、字詞聯(lián)合(CH-WO)特征進(jìn)行實(shí)驗(yàn)，對比在不同窗口大小和不同隱藏層節(jié)點(diǎn)的情況下F值的變化情況，實(shí)驗(yàn)結(jié)果如圖2、圖3所示。

圖2 比較不同窗口大小的F1值

圖3 比較不同隱藏節(jié)點(diǎn)個(gè)數(shù)的F1值

從圖2可以看出，當(dāng)窗口大小在3～5時(shí)，系統(tǒng)的識(shí)別效果較好。我們可以觀察到如下現(xiàn)象: 字詞結(jié)合系統(tǒng)對于大部分識(shí)別任務(wù)是窗口大小不敏感的，在小窗口下也可以達(dá)到很好的效果；人名任務(wù)的最優(yōu)窗口大小為5，因?yàn)橹形娜嗣话愣夹∮?并且這樣的窗口大小可以帶來一部分信息；當(dāng)窗口大于5時(shí)，由于過擬合的原因，機(jī)構(gòu)名的識(shí)別準(zhǔn)確率急速下降。從圖3可以觀察到，當(dāng)隱藏節(jié)點(diǎn)足夠多時(shí)，系統(tǒng)的性能不再受到很大影響，而且隱藏節(jié)點(diǎn)數(shù)目越多系統(tǒng)運(yùn)行越緩慢。因此，在余下的實(shí)驗(yàn)中，我們設(shè)定了300個(gè)隱藏節(jié)點(diǎn)。

3.2 字詞法合向量對比實(shí)驗(yàn)

字向量、詞向量、字詞結(jié)合向量對比實(shí)驗(yàn)的數(shù)據(jù)集為RMRB-98，參數(shù)設(shè)定如表1所示，實(shí)驗(yàn)結(jié)果如表2所示。

表1 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

續(xù)表

表2 字向量、詞向量、字詞結(jié)合向量對比結(jié)果

對于地名和機(jī)構(gòu)名任務(wù)，詞向量的結(jié)果優(yōu)于字向量，這主要是因?yàn)樵~向量更能表達(dá)詞語的潛在語義關(guān)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(jié)果普遍不如詞向量。但是對于人名識(shí)別任務(wù)，由于詞典稀疏問題，詞向量方法中人名會(huì)被影射成一個(gè)特殊向量，降低了識(shí)別效果，而且人名更關(guān)注于姓氏和語句結(jié)構(gòu)，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(dāng)使用字詞結(jié)合向量后，三類任務(wù)的取值均有較大提升，對地名、人名、機(jī)構(gòu)名的提升度分別達(dá)到了1.6%、8%、3%。

3.3 結(jié)合詞性特征對比實(shí)驗(yàn)

使用DNN結(jié)構(gòu)可以輕松地加入額外的特征信息。例如，當(dāng)我們加入了詞性特征以后，系統(tǒng)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(biāo)注(1-pos)、增加二級詞性標(biāo)注(2-pos)的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)中的詞性使用《現(xiàn)代漢語語料庫加工——詞語切分與詞性標(biāo)注規(guī)范》中的詞性標(biāo)注符號。其中一級詞性有25個(gè)，二級詞性有39個(gè)，如表3所示。實(shí)驗(yàn)結(jié)果如表4所示。我們和現(xiàn)階段較好[8]的NER模型——Hybrid Model[13](HM)進(jìn)行了實(shí)驗(yàn)對比，HM模型使用的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)與本文方法相同，實(shí)驗(yàn)結(jié)果顯示: 加入詞性標(biāo)注的字詞聯(lián)合模型可以超越HM的識(shí)別性能，在地名、人名和機(jī)構(gòu)名的識(shí)別上，F(xiàn)1值可以達(dá)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(jī)構(gòu)名識(shí)別任務(wù)的召回率，加入2-pos后系統(tǒng)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(jìn)行了人名的細(xì)分，它針對不同國家的人名訓(xùn)練了不同的模型并進(jìn)行混合，而我們的模型是不區(qū)分國家人名的，所以我們的結(jié)果略差于HM模型。與此同時(shí)，我們還使用了CRF模型與本文方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，加入2-pos后的系統(tǒng)在地名和人名識(shí)別方面表現(xiàn)出色，但機(jī)構(gòu)名識(shí)別方面準(zhǔn)確率不如CRF高，這可能是由于機(jī)構(gòu)名構(gòu)成復(fù)雜，神經(jīng)網(wǎng)絡(luò)語言模型只利用了局部信息而沒有利用全局信息導(dǎo)致的。

表3 詞性標(biāo)注設(shè)置

表4 無詞性、一級詞性、二級詞性、HM方法對比結(jié)果

4 結(jié)論與展望

本文介紹了用于中文命名實(shí)體識(shí)別的深度神經(jīng)網(wǎng)絡(luò)，提出了字詞結(jié)合方法，有效地彌補(bǔ)了單字識(shí)別和單詞識(shí)別的不足，加入詞性特征后的識(shí)別系統(tǒng)性能更加魯棒。實(shí)驗(yàn)對比了字向量、詞向量和字詞結(jié)合向量在中文NER上的結(jié)果，字詞結(jié)合方法對中文NER有較大提升。目前，跟命名實(shí)體相關(guān)的專用特征還沒有加入到系統(tǒng)中，我們下一步將考慮加入姓氏集、地區(qū)特征集等相關(guān)特征，進(jìn)一步觀察該方法的系統(tǒng)性能。

[1] Volk M, Clematide S. Learn-filter-apply-forget. mixed approaches to named entity recognition[C]//Proceedings of NLDB, 2001(1): 153-163.

[2] Finkel J R, Grenager T, Manning C. Incorporating non-local information into information extraction systems by gibbs sampling[C]//Proceedings of the 43rd Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2005: 363-370.

[3] Bikel D M, Schwartz R, Weischedel R M. An algorithm that learns what's in a name[J]. Machine learning, 1999, 34(1-3): 211-231.

[4] Borthwick A. A maximum entropy approach to named entity recognition[D]. New York University, 1999.

[5] McCallum A, Li W. Early results for named entity recognition with conditional random fields, feature induction and web-enhanced lexicons[C]//Proceedings of the 7th conference on natural language learning at HLT-NAACL 2003-Volume 4. Association for Computational Linguistics, 2003: 188-191.

[6] Zhou G D, Su J. Named entity recognition using an HMM-based chunk tagger[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2002: 473-480.

[7] Lafferty J, McCallum A, Pereira F C N. Conditional random fields: probabilistic models for segmenting and labeling sequence data[C]//Proceedings of 18th Internationl conference on Nachine Learning.Williamstoun: ICML,2001: 282-289.

[8] 趙軍. 命名實(shí)體識(shí)別、排歧和跨語言關(guān)聯(lián)[J]. 中文信息學(xué)報(bào), 2009, 23(2): 3-17.

[9] 陳鈺楓, 宗成慶, 蘇克毅. 漢英雙語命名實(shí)體識(shí)別與對齊的交互式方法[J]. 計(jì)算機(jī)學(xué)報(bào), 2011,34(9): 1688-1696.

[10] 邱泉清, 苗奪謙, 張志飛. 中文微博命名實(shí)體識(shí)別[J]. 計(jì)算機(jī)科學(xué), 2013, 40(6): 196-198.

[11] Mikolov T, Yih W, Zweig G. Linguistic regularities in continuous space word representations[C]//Proceedings of HLT-NAACL 2013.ACL,2013: 746-751.

[12] Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J]. The Journal of Machine Learning Research, 2011,12: 2493-2537.

[13] Wu Y, Zhao J, Xu B, et al. Chinese named entity recognition based on multiple features[C]//Proceedings of the conference on human language technology and empirical methods in natural language processing. Association for Computational Linguistics, 2005: 427-434.

[14] Klein D, Smarr J, Nguyen H, et al. Named entity recognition with character-level models[C]//Proceedings of the seventh conference on natural language learning at HLT-NAACL 2003-Volume 4. Association for Computational Linguistics, 2003: 180-183.

[15] Zheng X, Chen H, Xu T. Deep learning for Chinese word segmentation and POS tagging[C]//Proceedings of EMNLP, 2013: 647-657.

張海楠(1990—)，博士，主要研究領(lǐng)域?yàn)樽匀徽Z言處理、命名實(shí)體識(shí)別、對話系統(tǒng)、強(qiáng)化學(xué)習(xí)。

E-mail: zhanghainan1990@163.com

伍大勇(1976—),博士，主要研究領(lǐng)域?yàn)樽匀徽Z言處理、命名實(shí)體識(shí)別、分詞。

E-mail: wudayong@ict.ac.cn

劉悅(1971—)，博士，副研究員，主要研究領(lǐng)域?yàn)樾畔z索、互聯(lián)網(wǎng)挖掘等。

E-mail: liuyue@ict.ac.cn

Chinese Named Entity Recognition Based on Deep Neural Network

ZHANG Hainan1, WU Dayong1, LIU Yue1, CHENG Xueqi2

(1. Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China;2. Institute of Network Technology, ICT(YANTAI), CAS, Yantai, Shandong 264000, China)

1003-0077(2017)04-0028-08

TP391

A

2015-09-25 定稿日期: 2016-04-21

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(“973”計(jì)劃)(2014CB340401)；國家自然基金(61232010，61433014，61425016，61472401，61203298);中國科學(xué)院青年創(chuàng)新促進(jìn)會(huì)優(yōu)秀會(huì)員項(xiàng)目(20144310，2016102)；泰山學(xué)者工程專項(xiàng)經(jīng)費(fèi)(ts201511082)