煤礦事故案例命名實體識別方法研究

潘理虎，趙彭彭，龔大立，閆慧敏，張英俊

(1.太原科技大學 計算機科學與技術(shù)學院，山西 太原 030024；2.精英數(shù)智科技股份有限公司，山西 太原 030006；3.中國科學院 地理科學與資源研究所，北京 100101)

0 引 言

煤炭是中國能源體系的主要組成部分，煤礦安全生產(chǎn)管理始終是經(jīng)濟社會安全穩(wěn)定的重要工作。據(jù)統(tǒng)計，中國2004-2020年因煤礦事故導致的死亡人數(shù)達到了40 000，煤礦事故已經(jīng)成為威脅煤礦安全生產(chǎn)的最大挑戰(zhàn)。煤礦事故的預(yù)防是保障煤礦安全、穩(wěn)定生產(chǎn)的重要手段。得益于知識圖譜理論和技術(shù)的發(fā)展，煤礦事故的預(yù)防可通過整合多源、異構(gòu)的煤礦事故案例信息，構(gòu)建煤礦事故領(lǐng)域知識圖譜，通過與現(xiàn)有的煤礦領(lǐng)域核心知識圖譜融合，構(gòu)建煤礦安全生產(chǎn)知識圖譜，對煤礦事故、人員、設(shè)備、操作及環(huán)境進行智能化管理來實現(xiàn)。煤礦事故領(lǐng)域命名實體識別(named entity recognition，NER)是構(gòu)建煤礦事故領(lǐng)域知識圖譜的基礎(chǔ)工作。

NER任務(wù)的目的是找出文本序列中特定標識符的開頭和結(jié)尾，并將其進行分類，是自然語言處理的一項基本任務(wù)?；谝?guī)則的方法和基于統(tǒng)計機器學習是早期NER識別任務(wù)的常用方法。其中基于規(guī)則的方法依賴于人工構(gòu)建規(guī)則庫來解決特定領(lǐng)域的實體識別任務(wù)，費時費力且可移植性差，因此使用率越來越低，逐漸被基于統(tǒng)計機器學習的方法所替代；基于統(tǒng)計機器學習的方法出現(xiàn)了隱馬爾可夫、條件隨機場(conditional random field，CRF)、層疊馬爾可夫及多層條件隨機場等經(jīng)典模型，這些模型面向海量的標注數(shù)據(jù)進行訓練，最大程度摒棄了對于人工的依賴，取得了較高的準確率，但是存在泛化能力不強的缺點。近年來深度學習和圖形處理器(graphics processing unit，GPU)的發(fā)展極大地促進了自然語言處理技術(shù)的升級，與基于規(guī)則和基于統(tǒng)計機器學習的方法相比，深度學習擁有速度更快、泛化能力更強的優(yōu)點，因此神經(jīng)網(wǎng)絡(luò)模型成為解決命名實體識別任務(wù)的主流方法。由于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的線性結(jié)構(gòu)與文本序列天然對齊，RNN在命名實體識別任務(wù)中應(yīng)用廣泛，雙向長短時記憶網(wǎng)絡(luò)(bi-direction short and long term memory networks，Bi-LSTM)作為RNN的變體，以其獨特的門控結(jié)構(gòu)解決了RNN的梯度消失和梯度爆炸問題，Bi-LSTM也成為了解決NER任務(wù)的典型代表。盡管基于RNN實體識別方法取得了不錯的成績，但是RNN的序列依賴結(jié)構(gòu)決定其無法充分利用GPU的并行計算能力，導致模型的訓練時間過長，造成計算資源的嚴重浪費。為了充分利用GPU資源，縮短訓練時間，學者們將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)應(yīng)用于NER中。盡管CNN與RNN相比有明顯的計算優(yōu)勢，但受限于卷積核的大小，CNN抽取長距離特征的能力弱于RNN。

目前，面向煤礦事故領(lǐng)域的命名實體識別工作存在以下難點：第一，沒有煤礦事故領(lǐng)域的命名實體標注語料；第二，煤礦事故案例沒有統(tǒng)一的書寫規(guī)范，存在大量口語化表達；第三，相同實體表述不同，如“頂板冒落”、“片幫冒落”、“冒落”、“頂、邊幫冒落坍塌事故”都是指同一事故類型，但是表述卻不一致；第四，實體長度不一，識別難度較大；第五，煤礦事故案例文本涉及大量的專業(yè)詞匯，如“煤與瓦斯突出事故”、“瓦斯爆炸”、“頂板垮塌”等。

針對以上問題，基于帶有Dropout和自適應(yīng)矩估計的迭代擴張卷積(iterative dilated convolution with dropout and adaptive moment estimation，IDCDA)，該文給出了一種命名實體識別模型ALBERT-IDCDA-CRF，主要工作包括以下幾個方面：(1)構(gòu)建了煤礦事故領(lǐng)域?qū)嶓w標注語料CoalMineCorpus；(2)使用ALBERT預(yù)訓練語言模型獲取文本序列的字向量表示，提升原有字向量的表達能力，解決實體表述不一致的問題；(3)針對長實體問題，采用四個相同結(jié)構(gòu)的迭代擴張卷積模塊提升傳統(tǒng)CNN的特征抽取抽取長距離特征的能力；(4)研究了結(jié)合Dropout和自適應(yīng)矩估計(adaptive moment estimation，ADAM)的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法解決過擬合問題。

1 煤礦事故領(lǐng)域標注語料集構(gòu)建

1.1 煤礦事故領(lǐng)域語料集構(gòu)建

煤礦事故案例主要包括時間、地名、煤礦名稱、事故原因、事故類型、傷亡情況及救援過程等，是關(guān)于煤礦事故的重要數(shù)據(jù)。該文以從煤礦安全生產(chǎn)網(wǎng)、煤礦安全網(wǎng)、國家煤礦安全監(jiān)察局等網(wǎng)站發(fā)布的煤礦事故案例作為原始數(shù)據(jù)，預(yù)處理后得到規(guī)范的煤礦事故案例數(shù)據(jù)集，以句末點號為標志對數(shù)據(jù)集進行句子級劃分。針對煤礦事故領(lǐng)域?qū)嶓w邊界模糊問題，結(jié)合煤礦領(lǐng)域?qū)＜业囊庖娂皩嶋H應(yīng)用需求對煤礦事故領(lǐng)域命名實體進行分類，在字級別對數(shù)據(jù)集進行標注，構(gòu)建了包含時間、地名、煤礦名稱、事故類型四類實體的語料集CoalMineCorpus。

1.2 煤礦事故領(lǐng)域?qū)嶓w分類及標注

使用DATE、LOC、ORG、ACC分別表示時間、地名、煤礦名稱、事故類型四類實體，采用“BIO”標注體系進行實體標注，其中“B-”表示實體開始，“I-”表示實體的中間和結(jié)尾部分，“O”表示其他，所定義的標簽集合如表1所示。

表1 實體標簽集合

為了保證實體標注的準確性，該文使用支持多人同步進行標注工作和結(jié)果對比的YEDDA標注軟件完成序列標注。在實體標注過程采用雙人標注同一文檔的方式，標注完成后對結(jié)果進行對比，避免實體標注不一致問題；其次標注完成后請煤礦領(lǐng)域?qū)＜覍俗⒔Y(jié)果進行檢查來避免實體標注錯誤。以“云南曲靖祠堂坡煤礦頂板冒落事故致5死2傷”為例，標注結(jié)果如表2所示。

表2 序列標注結(jié)果

1.3 CoalMineAccident標注語料集統(tǒng)計

應(yīng)用1.2節(jié)的實體分類及標注方法對煤礦事故案例數(shù)據(jù)集進行處理，得到可用于煤礦事故領(lǐng)域的命名實體識別研究工作的煤礦事故領(lǐng)域標注語料集CoalMineCorpus，每類實體數(shù)目統(tǒng)計如表3所示。

表3 CoalMineCorpus語料集實體數(shù)目統(tǒng)計

2 命名實體識別模型

2.1 模型框架

ALBERT-IDCDA-CRF模型結(jié)構(gòu)如圖1所示，包括詞嵌入層、CNN層和CRF層三個部分。模型的輸入為字向量序列，因此需要把煤礦事故案例文本數(shù)據(jù)嵌入到向量空間，將字符轉(zhuǎn)變?yōu)橐欢ňS度的字向量。該文使用ALBERT預(yù)訓練語言模型融合文本序列的上下文語義信息，將得到的字向量序列輸入CNN層，CNN層采用四個迭代擴張卷積(iterative dilated convolution，IDC)模塊來完成特征抽取，將四個模塊的結(jié)果疊加作為CNN層的輸出，使用結(jié)合Dropout和ADAM優(yōu)化器的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法來解決神經(jīng)網(wǎng)絡(luò)的過擬合問題。最后使用條件隨機場作為解碼器，通過在數(shù)據(jù)集中學習標簽的依賴關(guān)系，利用維特比算法進行推理，從而獲得最佳的標簽順序，對最終結(jié)果進行修正。筆者將在以下各節(jié)對三部分內(nèi)容進行詳細介紹。

圖1 ALBERT-IDCDA-CRF網(wǎng)絡(luò)結(jié)構(gòu)

2.2 詞嵌入層

詞嵌入層使用ALBERT預(yù)訓練語言模型獲取字向量表示，ALBERT為多層的雙向Transformer結(jié)構(gòu)，Transformer是一個僅使用注意力機制的機器翻譯模型，由Encoder和Decoder兩部分組成，ALBERT僅使用其Encoder部分，Encoder由六個相同的層堆疊組成，每層主體結(jié)構(gòu)為多頭注意力機制和全連接前饋網(wǎng)絡(luò)兩個子層。

多頭注意力機制(multi-head attention mechanism)是ALBERT最重要的部分，可視為

h

個獨立注意力的拼接，如圖2所示。

圖2 多頭注意力機制結(jié)構(gòu)

首先利用公式(1)對

Q

、

K

、

V

進行線性變換，重復

h

次，其中

Q

、

K

、

V

為字向量：

(1)

將

h

個結(jié)果輸入放縮點積注意力(scaled dot-product attention)，利用公式(2)計算作為放縮點積注意力的結(jié)果：

(2)

最后將

h

個結(jié)果利用公式(3)拼接后作為多頭注意力的最終輸出：

(3)

為了保證模型在提升訓練效率的同時保持充足的文本表示能力，ALBERT采用嵌入層參數(shù)因式分解和跨層的參數(shù)共享策略來減少參數(shù)量，并且添加句間連貫(sentence ordering objectives，SOP)子任務(wù)，通過預(yù)測句子間的順序來增強模型的理解能力。

2.3 CNN層

2.3.1 擴張卷積(dilated convolution，DC)

在自然語言處理中，CNN通常是一維的，通過卷積核在向量序列上的移動來完成卷積操作，實現(xiàn)特征的抽取。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)如圖3(a)所示，卷積核大小為3×3，感受野大小為3×3，提取長距離特征的方法為增大卷積核大小或加深網(wǎng)絡(luò)層數(shù)。如堆疊3層圖3(a)所示的CNN進行卷積操作，在步長為1的情況下，雖然感受野增大為7×7，但會使模型參數(shù)量變大，導致訓練時間增加。擴張卷積執(zhí)行相同的卷積操作時，通過設(shè)置不同的擴張率來擴大有效的輸入寬度以增大感受野，從而卷積得到更多特征，捕獲更多的上下文信息。圖3(b)為擴張率為4的擴張卷積，感受野增大為15×15。由此可知，擴張卷積可以在不增加網(wǎng)絡(luò)層數(shù)的同時實現(xiàn)感受野的擴散，從而縮短了訓練時間。

(a)傳統(tǒng)CNN (b)擴張率為4的擴張卷積

2.3.2 迭代擴張卷積(iterative dilated convolution，IDC)

簡單堆疊多層圖3(b)所示的擴張卷積可以有效整合序列的全局信息，但會造成局部信息的缺失，使卷積結(jié)果缺乏相關(guān)性，如圖中灰色區(qū)域的特征并沒有被提取到。而對于上下文關(guān)系緊密的NER任務(wù)而言，丟失一部分特征會對模型準確率產(chǎn)生很大影響。

該文采用四個如圖4所示的迭代擴張卷積模塊來避免丟失特征連續(xù)性，其中上一個迭代擴張卷積模塊的輸出是下一個模塊的輸入，最后將四次迭代的結(jié)果疊加作為最終的輸出。每個模塊由三層擴張率分別為1、1、2的擴張卷積組成，通過設(shè)置不同的擴張率來抽取多尺度上下文特征，前兩層使用擴張率為1的擴張卷積來避免局部信息丟失，保證特征提取的準確性；最后一層將擴張率設(shè)置為2，使卷積核的感受野擴大為7×7，提升模型提取長距離特征的能力。

圖4 擴張率分別為1、1、2的三層擴張卷積模塊

(4)

將式(4)的結(jié)果輸入網(wǎng)絡(luò)進行迭代，可以得到第

k

次迭代時第一次循環(huán)結(jié)束的結(jié)果：

(5)

第

k

次迭代中第

j

次循環(huán)結(jié)束的結(jié)果為：

(6)

定義堆疊函數(shù)Stacking()，疊加四次迭代結(jié)果，可以得到最終的卷積結(jié)果

C

：

(7)

2.3.3 損失函數(shù)及網(wǎng)絡(luò)優(yōu)化

針對神經(jīng)網(wǎng)絡(luò)的過擬合問題，該文采用結(jié)合Dropout和ADAM優(yōu)化器的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。在全連接層和輸出層之間加入Dropout層，以概率

P

隨機選擇一部分神經(jīng)元，使其暫時停止工作，概率

P

為：

P

=(

P

=1|

x

)=

(8)

其中，

P

=1表示樣本

a

生成1的概率值，

B

表示所有

i

類神經(jīng)元中屬于

a

的數(shù)量。同時采用交叉熵損失函數(shù)衡量模型預(yù)測結(jié)果的好壞，公式為：

(9)

在訓練階段調(diào)整ADAM優(yōu)化器的學習率對損失函數(shù)進行優(yōu)化，通過最小化交叉熵來提升模型的性能。

2.4 CRF層

CNN層雖然可以有效整合煤礦事故案例文本的上下文信息，但不能考慮實體標簽之間的先后順序，如“B-LOC”只能出現(xiàn)在地點實體的開頭，而不能出現(xiàn)在其他位置；而CRF可以在數(shù)據(jù)集中學習標簽的依賴關(guān)系，利用維特比算法進行推理，對CNN層的輸出結(jié)果進行修正，從而獲得最優(yōu)的標簽序列。因此，該文選擇CRF作為模型最終的輸出層。

給定一條煤礦事故案例文本序列：

W

=(

w

,

w

,…,

w

)，經(jīng)過CRF可以得到一個預(yù)測標簽序列：

X

=(

x

,

x

,…,

x

)，定義其預(yù)測分數(shù)為：

(10)

其中，為標簽由

x

轉(zhuǎn)移到

x

+1的概率轉(zhuǎn)移矩陣，

N

為第

i

個詞語被標記為標簽

y

的概率。最后利用維特比算法即可得到當前文本序列

W

的最優(yōu)標簽序列。

y

=argmax(

P

(

W

,

X

))

(11)

3 實驗設(shè)計及結(jié)果分析

3.1 實驗語料及評價標準

該文采用自構(gòu)的CoalMineCorpus語料集作為數(shù)據(jù)集，采用信息檢索系統(tǒng)通用評價標準作為評價指標，即準確率(Precision，

P

)、召回率(Recall，

R

)和F測量度(F-measure，

F

)，概念公式如式(12)所示。

(12)

其中，

n

為預(yù)測為真且正確預(yù)測的實體個數(shù)，

M

為預(yù)測為真的實體個數(shù)，

N

為標準結(jié)果中的實體個數(shù)。

3.2 超參數(shù)設(shè)置

通過多組對比實驗，分析了不同超參數(shù)設(shè)置對模型識別效果的影響，得到ALBERT-IDCDA-CRF模型最優(yōu)的超參數(shù)，如表4所示。其中過濾器大小為3×3，字向量維度為100維，訓練次數(shù)和Batch size設(shè)置為100、20。在訓練過程中，將Dropout的概率值設(shè)置為0.5，測試階段設(shè)置為1。

表4 ALBERT-IDCDA-CRF模型超參數(shù)

3.3 實驗結(jié)果分析

3.3.1 實驗1：不同學習率下ADAM優(yōu)化器對ALBERT-IDCDA-CRF模型F值的影響

考慮到ADAM優(yōu)化器的數(shù)學特性，若學習率過大或者過小都會導致交叉熵損失函數(shù)難以收斂，因此通過將學習率設(shè)置為0.02，0.03，…，0.09進行實驗，不同學習率下ALBERT-IDCDA-CRF模型的F值變化如圖5所示。

圖5 ALBERT-IDCDA-CRF模型F值變化

觀察圖5可知，當學習率位于[0.02，0.05)時，模型的F值與學習率呈正相關(guān)關(guān)系；當學習率位于[0.05，0.07]，F(xiàn)值趨于穩(wěn)定；當學習率大于0.07，F(xiàn)值呈下降趨勢。因此在后續(xù)實驗中將學習率設(shè)置為0.05。

3.3.2 實驗2：ALBERT-IDCDA-CRF在不同優(yōu)化器下的性能對比

為了分析不同優(yōu)化算法對模型識別性能的影響，分別采用隨機梯度下降(stochastic gradient descent, SGD)、自適應(yīng)梯度算法(Adagrad)、ADAM三種優(yōu)化算法對ALBERT-IDCDA-CRF模型進行優(yōu)化。實驗結(jié)果如表5所示，可以發(fā)現(xiàn)當采用ADAM優(yōu)化器時，模型的準確率、召回率和F值明顯優(yōu)于其他兩種算法，因此后續(xù)實驗采用ADAM優(yōu)化器對模型進行優(yōu)化。

表5 不同優(yōu)化器下模型性能對比 %

3.3.3 實驗3：ALBERT-IDCDA-CRF與其他模型的比較

由表6可知，在采用相同特征抽取模型的情況下，分別使用ALBERT和word2vec生成字向量，當使用ALBERT預(yù)訓練語言模型生成詞向量時，BILSTM-CRF的F值由76.64%提升到86.20%，IDCDA-CRF的F值由74.11%提升到90.65%，分別提高了9.56%和16.54%，說明使用雙向Transformer結(jié)構(gòu)的ALBERT預(yù)訓練語言模型生成的字向量具有更好的文本表示能力，包含的語義信息更加豐富。同時ALBERT-IDCDA-CRF取得了最高的準確率、召回率和F值，和BILSTM-CRF和IDCDA-CRF相比F值提高14.01%、16.54%，比識別效果最好的ALBERT-BILSTM-CRF提高4.45%，可見該文所使用的迭代擴張卷積特征抽取能力最強，并且略優(yōu)于經(jīng)典的雙向長短時記憶網(wǎng)絡(luò)。

表6 不同模型性能對比 %

由圖6不同模型訓練時間對比結(jié)果可以看出，該文采用的方法解決了傳統(tǒng)命名實體識別方法訓練時間過長的問題，與BILSTM-CRF、IDCDA-CRF、ALBERT-BILSTM-CRF相比時間變化分別為-133 s，+148 s，-1 501 s(正為時間增加，負為時間減少)，和ALBERT-BILSTM-CRF相比，訓練時間縮短一半，和IDCDA-CRF相比，雖然訓練時間有所增加，但P、R、F值卻大幅提升。

圖6 不同模型訓練時間對比

上述對比分析結(jié)果表明，所采用的ALBERT-IDCDA-CRF神經(jīng)網(wǎng)絡(luò)模型在各項評價指標上有明顯提高，訓練時間也大幅縮短，是進行煤礦事故案例命名實體識別的最佳模型。

4 結(jié)束語

以自構(gòu)的煤礦事故領(lǐng)域?qū)嶓w標注語料集CoalMineCorpus為研究對象，該文提出了面向煤礦事故案例的ALBERT-IDCDA-CRF命名實體識別模型。該模型詞嵌入層通過使用輕量級預(yù)訓練語言模型ALBERT來產(chǎn)生更高質(zhì)量的詞向量，提升命名實體識別的性能；CNN層使用四個迭代擴張卷積模塊來提升CNN抽取長距離特征的能力和縮短模型的訓練時間，采用結(jié)合Dropout和ADAM的優(yōu)化算法解決模型的過擬合問題；最后采用CRF對標簽序列進行約束，提升預(yù)測結(jié)果。通過多組對比實驗，驗證了ALBERT-IDCDA-CRF模型在煤礦事故領(lǐng)域命名實體識別任務(wù)中的有效性。

在未來的研究工作中，將進一步擴大語料集CoalMineCorpus的規(guī)模，將實體標注工作規(guī)范化，考慮采用融合字、詞特征的詞向量提升模型性能，抽取更多有應(yīng)用價值的實體。