NLP:命名实体识别及案例(Bert微调)

1. 命名实体识别

1.1 序列标注

序列标注(Sequence Labeling)是NLP中最基础的任务之一，其应用十分广泛。它指的是对给定的序列(如文本中的单词或字符)中的每个元素进行标注，以识别出该元素在序列中的特定角色或属性。

1.2 命名实体识别

命名实体识别(Named Entity Recognition, NER)是序列标注任务中的一种，旨在从文本中识别并分类特定的实体。识别的实体通常包括人名、地名、机构名、时间、日期、货币等。这种识别在许多实际应用中非常重要，如信息提取、自动问答、机器翻译和文本摘要。

2. 利用Bert微调模型进行命名实体识别

2.1 BIO标记

BIO标记法是命名实体识别中的一种常用数据标注方案，用于标记文本中每个单词的标签，明确它是属于实体的哪部分。BIO 标记法通过B-、I- 和O三个前缀来表示命名实体的边界和结构：

B-(Begin):表示命名实体的开头。例如，B-PER表示人名实体的第一个单词。
I-(Inside):表示命名实体的内部部分。例如，I-PER 表示人名实体中非首字的单词。
O(Outside):表示这个单词不属于任何命名实体。

BIO标记方法中通常包含：PER(人名)、ORG(组织名)、LOC(地名)和MISC(事件、产品、国籍、语言)

2.2 数据集介绍

这里使用NER任务中常用的数据集:CoNLL-2003，该数据集最早由 CoNLL(Conference on Computational Natural Language Learning)共享任务发布，广泛应用于自然语言处理中的 NER 任务。该数据集中训练集共14041条，验证集共3250条，测试集共3453。训练集中的数据如下：

{"chunk_tags": [11, 12, 12, 21, 13, 11, 11, 21, 13, 11, 12, 13, 11, 21, 22, 11, 12, 17, 11, 21, 17, 11, 12, 12, 21, 22, 22, 13, 11, 0],"id": "0","ner_tags": [0, 3, 4, 0, 0, 0, 0, 0, 0, 7, 0, 0, 0, 0, 0, 7, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],"pos_tags": [12, 22, 22, 38, 15, 22, 28, 38, 15, 16, 21, 35, 24, 35, 37, 16, 21, 15, 24, 41, 15, 16, 21, 21, 20, 37, 40, 35, 21, 7],"tokens": ["The", "European", "Commission", "said", "on", "Thursday", "it", "disagreed", "with", "German", "advice", "to", "consumers", "to", "shun", "British", "lamb", "until", "scientists", "determine", "whether", "mad", "cow", "disease", "can", "be", "transmitted", "to", "sheep", "."]
}

关于这个数据集，每个部分的具体含义如下：

tokens表示文本中的单词。所有的tokens组合起来就是句子的原始文本。NER任务中需要为数据集中的每个单词都会被标注相关的标签。
chunk_tags表示短语块标签。它标记出句子中的短语结构，帮助识别出名词短语(NP)、动词短语(VP)、介词短语(PP)等。
ner_tags表示命名实体识别标签，使用的是BIO标记法。在该数据集在hugging face上的主页上可以找到BIO标记与数字的对应方式。具体如下：

{'O': 0, 'B-PER': 1, 'I-PER': 2, 'B-ORG': 3, 'I-ORG': 4, 'B-LOC': 5, 'I-LOC': 6, 'B-MISC': 7, 'I-MISC': 8}

依据这个信息，European Commission被标记为ORG。

pos_tags为词性标签。

2.3 labels准备

因为使用BertTokenizer处理数据的tokens时，使用WordPiece分词算法时可能会将一个完整的单词拆分成了多个，所有训练数据集中的ner_tags并不能直接作为后续分类器BertForTokenClassification的labels用于训练。在这种情况下，标签需要与每个子词对齐，可以采用如下规则：

第一个子词保留原始标签，比如B-ORG，其余子词可以标注为I-ORG。举例如下：

tokens = ['Ap', '##ple', 'is', 'a', 'technology', 'company']
labels = ['B-ORG', 'I-ORG', 'O', 'O', 'O', 'O']

2.4 Bert微调

from datasets import load_dataset
from transformers import BertTokenizerFast, BertForTokenClassification
from transformers import TrainingArguments, Trainer# 加载 CoNLL-2003 数据集
dataset = load_dataset("conll2003")
train_dataset = dataset["train"]
eval_dataset = dataset["validation"]
test_dataset = dataset["test"]
# 加载 BERT tokenizer 和模型
tokenizer = BertTokenizerFast.from_pretrained("bert-base-cased")
label_list = dataset["train"].features["ner_tags"].feature.names
print(train_dataset[0])
def tokenize_and_align_labels(examples):tokenized_inputs = tokenizer(examples["tokens"], truncation=True, padding="max_length",is_split_into_words=True)labels= []for i, label in enumerate(examples["ner_tags"]):word_ids = tokenized_inputs.word_ids(batch_index=i)previous_word_idx = Nonelabel_ids = []for word_idx in word_ids:if word_idx is None:label_ids.append(-100)elif word_idx != previous_word_idx:label_ids.append(label[word_idx])else:label_ids.append(label[word_idx])previous_word_idx = word_idxlabels.append(label_ids)tokenized_inputs["labels"] = labelsprint(labels[0])print(len(tokenized_inputs.input_ids[0]),len(labels[0]))return tokenized_inputstrain_dataset = train_dataset.map(tokenize_and_align_labels, batched=True)
eval_dataset = eval_dataset.map(tokenize_and_align_labels, batched=True)
test_dataset = test_dataset.map(tokenize_and_align_labels, batched=True)model= BertForTokenClassification.from_pretrained("bert-base-cased", num_labels=len(label_list))
training_args = TrainingArguments(output_dir='./results',          # 输出目录eval_strategy="epoch",     # 每个 epoch 进行评估learning_rate=2e-5,              # 学习率per_device_train_batch_size=16,  # 训练 batch sizeper_device_eval_batch_size=16,   # 评估 batch sizenum_train_epochs=3,              # 训练 epoch 数weight_decay=0.01,               # 权重衰减
)# 使用 Trainer API
trainer = Trainer(model=model,                      # 待训练的模型args=training_args,               # 训练参数train_dataset=train_dataset,  # 训练数据集eval_dataset=eval_dataset,  # 验证数据集tokenizer=tokenizer               # 使用的 tokenizer
)trainer.train()
eval_results = trainer.evaluate()
print(eval_results)

2.5 抽取结果

正如嵌入所述，有些完整的单词投入Bert模型之后会被切成子词，我们在抽取模型预测的结果的时候也需要进行一个反操作，将子词及子词对应的预测结果合并到一起，具体代码如下：

def transform_labels_to_nertags(dataset,labels):new_labels=[]for i,label in enumerate(labels):label=[item for item in label if item != -100]words_id=dataset["word_ids"][i]idx_label=[]for i in range(len(words_id)):if i==0:idx_label.append(label[0])else:if words_id[i]==words_id[i-1]:continueelse:idx_label.append(label[i])new_labels.append(idx_label)return new_labels_, labels, _ = trainer.predict(test_dataset)test_dataset= test_dataset.add_column("pred_ner_tags",transform_labels_to_nertags(test_dataset,labels))print(test_dataset[0]["pred_ner_tags"],test_dataset[0]["ner_tags"])
print(test_dataset[1]["pred_ner_tags"],test_dataset[1]["ner_tags"])