干货分享:CAN总线详解 整车的控制只需要一条线
715
2022-05-29
论文: Li Fei, Wang Zheng, Hui Siu Cheung, Liao Lejian, Song Dandan, Xu Jing, He Guoxiu, Jia Meihuizi. Modularized Interaction Network for Named Entity Recognition [A]. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) [C]. Online: Association for Computational Linguistics, 2021, 200–209.
链接:https://aclanthology.org/2021.acl-long.17.pdf
代码:无
0、摘要
现有NER模型缺点
基于序列标注的NER模型:长实体识别不佳,只关注词级信息
基于分段的NER模型:处理分段,而非单个词,不能捕获分段中的词级依赖关系
边界检测和类型预测可以相互配合,两个子任务可共享信息,相互加强
提出模块化交互网络模型MIN(Modularized Interaction Network)
同时利用段级信息和词级依赖关系
结合一种交互机制,支持边界检测和类型预测之间的信息共享
三份基准数据集上达到SOTA
1、介绍
NER:查找和分类命名实体,person (PER), location
(LOC) or organization (ORG),下游任务:关系抽取、实体链接、问题生成、共引解析
两类方法
序列标注 sequence labeling:可捕获词级依赖关系
分段 segment(a span of words):可处理长实体
NER:检测实体边界和命名实体的类型,
分成两个子任务:边界检测、类型预测
两个任务之间是相关的,可以共享信息
举栗:xx来自纽约大学
如果知道大学是实体边界,更可能会预测类型是ORG
如果知道实体有个ORG类型,更可能会预测到“大学”边界
上述两个常用方法没有在子任务之间共享信息
序列标注:只把边界和类型当做标签
分段:先检测片段,再划分类型
本文提出MIN模型:NER模块、边界模块、类型模块、交互机制
指针网络作为边界模块的解码器,捕捉每个词的段级信息
段级信息和词级信息结合输入到序列标注模型
将NER划分成两个任务:边界检测、类型预测,并使用不同的编码器
提出一个相互加强的交互机制,所有信息融合到NER模块
三个模块共享单词表示,采用多任务训练
主要贡献:
新模型:MIN,同时利用段级信息和词级依赖
边界检测和类型预测分成两个子任务,结合交互机制,使两个子任务信息共享
三份基准数据集达到SOTA
2、方法
NER模块:RNN-BiLSTM-CRF,引用Neural architectures for named entity recognition
词表示:word(BERT) + char(BiLSTM)
BiLSTM编码:双向LSTM,交互机制代替直接级联,门控函数动态控制
最终NER输出:
H
N
E
R
=
W
T
[
H
;
H
B
;
H
T
;
H
S
]
+
b
H^{NER}=W^T[H;H^B;H^T;H^S] + b
HNER=WT[H;HB;HT;HS]+b
H
B
d
y
H^{Bdy}
HBdy表示边界模块输出,
H
T
y
p
e
H^{Type}
HType表示类型模块输出,
H
S
e
g
H^{Seg}
HSeg表示分段信息
CRF解码:转移概率 + 发射概率
边界模块:双向LSTM编码
H
B
d
y
H^{Bdy}
HBdy,单向LSTM解码
解码:
s
j
=
h
j
−
1
B
d
y
+
h
j
B
d
y
+
h
j
+
1
B
d
y
s_j=h_{j-1}^{Bdy}+h_{j}^{Bdy}+h_{j+1}^{Bdy}
sj =hj−1Bdy +hjBdy +hj+1Bdy
d
j
=
L
S
T
M
(
s
j
,
d
j
−
1
)
d_j=LSTM(s_j, d_{j-1})
dj =LSTM(sj ,dj−1 )
Biaffine Attention机制:
类型模块:BiLSTM + CRF
交互机制:
self attention 得到标签增强的边界
H
B
−
E
H^{B-E}
HB−E,类型
H
T
−
E
H^{T-E}
HT−E
Biaffine Attention 计算得分
α
B
−
E
\alpha^{B-E}
αB−E
交互后的边界:
r
i
B
−
E
=
∑
j
=
1
n
α
i
,
j
B
−
E
h
j
T
−
E
r_i^{B-E}=\sum_{j=1}^{n}\alpha_{i,j}^{B-E}h_j^{T-E}
riB−E =∑j=1n αi,jB−E hjT−E
更新后的边界:
h
‾
i
B
d
y
=
[
h
i
B
−
E
,
r
i
B
−
E
]
\overline{h}_i^{Bdy}=[h_i^{B-E},r_i^{B-E}]
hiBdy =[hiB−E ,riB−E ]
更新后的类型:
h
‾
i
T
y
p
e
=
[
h
i
T
−
E
,
r
i
T
−
E
]
\overline{h}_i^{Type}=[h_i^{T-E},r_i^{T-E}]
hiType =[hiT−E ,riT−E ]
联合训练:多任务
每个任务的损失函数
最终损失函数:
L
=
L
N
E
R
+
L
T
y
p
e
+
L
B
d
y
\mathcal{L}=\mathcal{L}^{NER}+\mathcal{L}^{Type}+\mathcal{L}^{Bdy}
L=LNER+LType+LBdy
3、结果
Baseline (sequence labeling-based)
CNN-BiLSTM-CRF
RNN-BiLSTM-CRF
ELMo-BiLSTM-CRF
Flair (char-BiLSTM-CRF)
BERT-BiLSTM-CRF
HCRA (CNN-BiLSTM-CRF)
Baseline (segment-based)
BiLSTM-Pointer
HSCRF
MRC+BERT
Biaffine+BERT
号外号外:想了解更多的AI技术干货,欢迎上华为云的AI专区,目前有AI编程Python等六大实战营供大家免费学习。
机器学习 知识图谱 自然语言处理基础 语言理解
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。