技术教程 编程教程 NLP（二十四）利用ALBERT实现命名实体识别 正文

NLP（二十四）利用ALBERT实现命名实体识别

2023-06-25,,

  本文将会介绍如何利用ALBERT来实现命名实体识别。如果有对命名实体识别不清楚的读者，请参考笔者的文章NLP入门（四）命名实体识别（NER） 。

  本文的项目结构如下：

  其中，albert_zh为ALBERT提取文本特征模块，这方面的代码已经由别人开源，我们只需要拿来使用即可。data目录下为我们本次讲解所需要的数据，图中只有example开头的数据集，这是人民日报的标注语料，实体为人名（PER）、地名（LOC）和组织机构名（ORG）。数据集一行一个字符以及标注符号，标注系统采用BIO系统，我们以example.train的第一句为例，标注信息如下：

海 O

钓 O

比 O

赛 O

地 O

点 O

在 O

厦 B-LOC

门 I-LOC

与 O

金 B-LOC

门 I-LOC

之 O

间 O

的 O

海 O

域 O

。 O

  在utils.py文件中，配置了一些关于文件路径和模型参数方面的信息，其中规定了输入的文本长度最大为128，代码如下：

# -*- coding: utf-8 -*-

# author: Jclian91

# place: Pudong Shanghai

# time: 2020-03-11 21:12

# 数据相关的配置

event_type = "example"

train_file_path = "./data/%s.train" % event_type

dev_file_path = "./data/%s.dev" % event_type

test_file_path = "./data/%s.test" % event_type

# 模型相关的配置

MAX_SEQ_LEN = 128   # 输入的文本最大长度

  在load_data.py文件中，我们将处理训练集、验证集和测试集数据，并将标签转换为id，形成label2id.json文件，代码如下：

# -*- coding: utf-8 -*-

# author: Jclian91

# place: Pudong Shanghai

# time: 2020-03-11 10:04

import json

from utils import train_file_path, event_type

# 读取数据集

def read_data(file_path):

    # 读取数据集

    with open(file_path, "r", encoding="utf-8") as f:

        content = [_.strip() for _ in f.readlines()]

    # 添加原文句子以及该句子的标签

    # 读取空行所在的行号

    index = [-1]

    index.extend([i for i, _ in enumerate(content) if ' ' not in _])

    index.append(len(content))

    # 按空行分割，读取原文句子及标注序列

    sentences, tags = [], []

    for j in range(len(index)-1):

        sent, tag = [], []

        segment = content[index[j]+1: index[j+1]]

        for line in segment:

            sent.append(line.split()[0])

            tag.append(line.split()[-1])

        sentences.append(''.join(sent))

        tags.append(tag)

    # 去除空的句子及标注序列，一般放在末尾

    sentences = [_ for _ in sentences if _]

    tags = [_ for _ in tags if _]

    return sentences, tags

# 读取训练集数据

# 将标签转换成id

def label2id():

    train_sents, train_tags = read_data(train_file_path)

    # 标签转换成id，并保存成文件

    unique_tags = []

    for seq in train_tags:

        for _ in seq:

            if _ not in unique_tags:

                unique_tags.append(_)

    label_id_dict = dict(zip(unique_tags, range(1, len(unique_tags) + 1)))

    with open("%s_label2id.json" % event_type, "w", encoding="utf-8") as g:

        g.write(json.dumps(label_id_dict, ensure_ascii=False, indent=2))

if __name__ == '__main__':

    label2id()

运行代码，生成的example_label2id.json文件如下：

{

  "O": 1,

  "B-LOC": 2,

  "I-LOC": 3,

  "B-PER": 4,

  "I-PER": 5,

  "B-ORG": 6,

  "I-ORG": 7

}

生成该文件是为了方便我们后边的模型训练和预测的时候调用。

  接着就是最重要的模型训练部分了，模型的结构图如下：

我们采用ALBERT作为文本特征提取，后接经典的序列标注算法——Bi-LSTM算法。albert_model_train.py的完整代码如下：

# -*- coding: utf-8 -*-

import json

import numpy as np

from keras.models import Model, Input

from keras.layers import Dense, Bidirectional, Dropout, LSTM, TimeDistributed, Masking

from keras.utils import to_categorical, plot_model

from seqeval.metrics import classification_report

import matplotlib.pyplot as plt

from utils import event_type

from utils import MAX_SEQ_LEN, train_file_path, test_file_path, dev_file_path

from load_data import read_data

from albert_zh.extract_feature import BertVector

# 利用ALBERT提取文本特征

bert_model = BertVector(pooling_strategy="NONE", max_seq_len=MAX_SEQ_LEN)

f = lambda text: bert_model.encode([text])["encodes"][0]

# 读取label2id字典

with open("%s_label2id.json" % event_type, "r", encoding="utf-8") as h:

    label_id_dict = json.loads(h.read())

id_label_dict = {v:k for k,v in label_id_dict.items()}

# 载入数据

def input_data(file_path):

    sentences, tags = read_data(file_path)

    print("sentences length: %s " % len(sentences))

    print("last sentence: ", sentences[-1])

    # ALBERT ERCODING

    print("start ALBERT encding")

    x = np.array([f(sent) for sent in sentences])

    print("end ALBERT encoding")

    # 对y值统一长度为MAX_SEQ_LEN

    new_y = []

    for seq in tags:

        num_tag = [label_id_dict[_] for _ in seq]

        if len(seq) < MAX_SEQ_LEN:

            num_tag = num_tag + [0] * (MAX_SEQ_LEN-len(seq))

        else:

            num_tag = num_tag[: MAX_SEQ_LEN]

        new_y.append(num_tag)

    # 将y中的元素编码成ont-hot encoding

    y = np.empty(shape=(len(tags), MAX_SEQ_LEN, len(label_id_dict.keys())+1))

    for i, seq in enumerate(new_y):

        y[i, :, :] = to_categorical(seq, num_classes=len(label_id_dict.keys())+1)

    return x, y

# Build model

def build_model(max_para_length, n_tags):

    # Bert Embeddings

    bert_output = Input(shape=(max_para_length, 312, ), name="bert_output")

    # LSTM model

    lstm = Bidirectional(LSTM(units=128, return_sequences=True), name="bi_lstm")(bert_output)

    drop = Dropout(0.1, name="dropout")(lstm)

    out = TimeDistributed(Dense(n_tags, activation="softmax"), name="time_distributed")(drop)

    model = Model(inputs=bert_output, outputs=out)

    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    # 模型结构总结

    model.summary()

    plot_model(model, to_file="albert_bi_lstm.png", show_shapes=True)

    return model

# 模型训练

def train_model():

    # 读取训练集，验证集和测试集数据

    train_x, train_y = input_data(train_file_path)

    dev_x, dev_y = input_data(dev_file_path)

    test_x, test_y = input_data(test_file_path)

    # 模型训练

    model = build_model(MAX_SEQ_LEN, len(label_id_dict.keys())+1)

    history = model.fit(train_x, train_y, validation_data=(dev_x, dev_y), batch_size=32, epochs=10)

    model.save("%s_ner.h5" % event_type)

    # 绘制loss和acc图像

    plt.subplot(2, 1, 1)

    epochs = len(history.history['loss'])

    plt.plot(range(epochs), history.history['loss'], label='loss')

    plt.plot(range(epochs), history.history['val_loss'], label='val_loss')

    plt.legend()

    plt.subplot(2, 1, 2)

    epochs = len(history.history['acc'])

    plt.plot(range(epochs), history.history['acc'], label='acc')

    plt.plot(range(epochs), history.history['val_acc'], label='val_acc')

    plt.legend()

    plt.savefig("%s_loss_acc.png" % event_type)

    # 模型在测试集上的表现

    # 预测标签

    y = np.argmax(model.predict(test_x), axis=2)

    pred_tags = []

    for i in range(y.shape[0]):

        pred_tags.append([id_label_dict[_] for _ in y[i] if _])

    # 因为存在预测的标签长度与原来的标注长度不一致的情况，因此需要调整预测的标签

    test_sents, test_tags = read_data(test_file_path)

    final_tags = []

    for test_tag, pred_tag in zip(test_tags, pred_tags):

        if len(test_tag) == len(pred_tag):

            final_tags.append(test_tag)

        elif len(test_tag) < len(pred_tag):

            final_tags.append(pred_tag[:len(test_tag)])

        else:

            final_tags.append(pred_tag + ['O'] * (len(test_tag) - len(pred_tag)))

    # 利用seqeval对测试集进行验证

    print(classification_report(test_tags, final_tags, digits=4))

if __name__ == '__main__':

    train_model()

  模型训练过程中的输出结果如下（部分输出省略）：

sentences length: 20864

last sentence:  思想自由是对自我而言，用中国传统的说法是有所为；兼容并包是指对待他人，要有所不为。

start ALBERT encding

end ALBERT encoding

sentences length: 2318

last sentence:  良性肿瘤、恶性肿瘤虽然只是一字之差，但两者有根本性的差别。

start ALBERT encding

end ALBERT encoding

sentences length: 4636

last sentence:  因此，村民进行民主选举的心态是在这样一种背景映衬下加以表现的，这无疑给该片增添了几分厚重的历史文化氛围。

start ALBERT encding

end ALBERT encoding

_________________________________________________________________

Layer (type)                 Output Shape              Param #

=================================================================

bert_output (InputLayer)     (None, 128, 312)          0

_________________________________________________________________

bi_lstm (Bidirectional)      (None, 128, 256)          451584

_________________________________________________________________

dropout (Dropout)            (None, 128, 256)          0

_________________________________________________________________

time_distributed (TimeDistri (None, 128, 8)            2056

=================================================================

Total params: 453,640

Trainable params: 453,640

Non-trainable params: 0

_________________________________________________________________

Train on 20864 samples, validate on 2318 samples

......

......

......

20864/20864 [==============================] - 97s 5ms/step - loss: 0.0091 - acc: 0.9969 - val_loss: 0.0397 - val_acc: 0.9900

           precision    recall  f1-score   support

      ORG     0.9001    0.9112    0.9056      2185

      LOC     0.9383    0.8898    0.9134      3658

      PER     0.9543    0.9415    0.9479      1864

micro avg     0.9310    0.9084    0.9196      7707

macro avg     0.9313    0.9084    0.9195      7707

在测试集上的F1值为91.96%。同时，训练过程中的loss和acc曲线如下图：

  模型预测部分的代码（脚本为model_predict.py）如下：

# -*- coding: utf-8 -*-

# author: Jclian91

# place: Pudong Shanghai

# time: 2020-03-11 13:16

import json

import numpy as np

from albert_zh.extract_feature import BertVector

from keras.models import load_model

from collections import defaultdict

from pprint import pprint

from utils import MAX_SEQ_LEN, event_type

# 读取label2id字典

with open("%s_label2id.json" % event_type, "r", encoding="utf-8") as h:

    label_id_dict = json.loads(h.read())

id_label_dict = {v: k for k, v in label_id_dict.items()}

# 利用ALBERT提取文本特征

bert_model = BertVector(pooling_strategy="NONE", max_seq_len=MAX_SEQ_LEN)

f = lambda text: bert_model.encode([text])["encodes"][0]

# 载入模型

ner_model = load_model("%s_ner.h5" % event_type)

# 从预测的标签列表中获取实体

def get_entity(sent, tags_list):

    entity_dict = defaultdict(list)

    i = 0

    for char, tag in zip(sent, tags_list):

        if 'B-' in tag:

            entity = char

            j = i+1

            entity_type = tag.split('-')[-1]

            while j < min(len(sent), len(tags_list)) and 'I-%s' % entity_type in tags_list[j]:

                entity += sent[j]

                j += 1

            entity_dict[entity_type].append(entity)

        i += 1

    return dict(entity_dict)

# 输入句子，进行预测

while 1:

    # 输入句子

    text = input("Please enter an sentence: ").replace(' ', '')

    # 利用训练好的模型进行预测

    train_x = np.array([f(text)])

    y = np.argmax(ner_model.predict(train_x), axis=2)

    y = [id_label_dict[_] for _ in y[0] if _]

    # 输出预测结果

    pprint(get_entity(text, y)

随机在网上找几条新闻测试，结果如下：

Please enter an sentence: 昨天进行的女单半决赛中，陈梦4-2击败了队友王曼昱，伊藤美诚则以4-0横扫了中国选手丁宁。

{'LOC': ['中国'], 'PER': ['陈梦', '王曼昱', '伊藤美诚', '丁宁']}

Please enter an sentence: 报道还提到，德国卫生部长延斯·施潘在会上也表示，如果不能率先开发出且使用疫苗，那么60%至70%的人可能会被感染新冠病毒。

{'ORG': ['德国卫生部'], 'PER': ['延斯·施潘']}

Please enter an sentence: “隔离结束回来，发现公司不见了”，网上的段子，真发生在了昆山达鑫电子有限公司员工身上。

{'ORG': ['昆山达鑫电子有限公司']}

Please enter an sentence: 真人版的《花木兰》由新西兰导演妮基·卡罗执导，由刘亦菲、甄子丹、郑佩佩、巩俐、李连杰等加盟，几乎是全亚洲整容。

{'LOC': ['新西兰', '亚洲'], 'PER': ['妮基·卡罗', '刘亦菲', '甄子丹', '郑佩佩', '巩俐', '李连杰']}

  本项目已经开源，Github网址为：https://github.com/percent4/ALBERT_NER_KERAS 。

  本文到此结束，感谢大家阅读，欢迎关注笔者的微信公众号：Python爬虫与算法。

NLP（二十四）利用ALBERT实现命名实体识别的相关教程结束。

《NLP（二十四）利用ALBERT实现命名实体识别.doc》

下载本文的Word格式文档，以方便收藏与打印。

Copyright 2023. 昆居客 - IT编程,互联网信息技术文档大全!