0 引言

    命名實(shí)體識(shí)別（Named Entity Recognition）是指識(shí)別文本中的各種實(shí)體，如人名、地名、機(jī)構(gòu)名或其他特有標(biāo)識(shí)^[1]，是自然語(yǔ)言處理（Natural Language Processing，NLP）中非常重要的一項(xiàng)基礎(chǔ)性技術(shù)。近年來(lái)，Twitter、新浪微博等新型社交平臺(tái)發(fā)展迅速，成為命名實(shí)體識(shí)別的新方向。RITTER A^[2]等人設(shè)計(jì)了一個(gè)應(yīng)用于Twitter上的T-NER系統(tǒng)，重構(gòu)了命名實(shí)體識(shí)別的流程。TURIAN J等人^[3]利用半監(jiān)督的系統(tǒng)進(jìn)行命名實(shí)體識(shí)別，大大減少了識(shí)別的成本。Liu Xiaohua等人^[4]在一個(gè)半監(jiān)督的框架下把K近鄰分類(lèi)器和CRF模型結(jié)合起來(lái)，識(shí)別Twitter中的命名實(shí)體，取得了較好的效果。

    上述工作都是基于Twitter的，沒(méi)有考慮中文的深層語(yǔ)義，且多使用有限自建數(shù)據(jù)集，沒(méi)有考慮人工標(biāo)記的代價(jià)和不足，因此需要加以改進(jìn)。本文研究面向中文微博的命名實(shí)體識(shí)別，將識(shí)別視為一個(gè)序列標(biāo)注問(wèn)題，通過(guò)改進(jìn)的基于概率模型的算法優(yōu)化識(shí)別效果。針對(duì)微博文本短小、信息量少和文體不正規(guī)、語(yǔ)意含糊的特點(diǎn)，引入外部數(shù)據(jù)源提取深層語(yǔ)義特征；針對(duì)微博數(shù)據(jù)集人工處理代價(jià)大的問(wèn)題，引入主動(dòng)學(xué)習(xí)算法，以較小的人工代價(jià)獲得識(shí)別效果的提升。

1 面向微博的命名實(shí)體識(shí)別方法

    參照CoNLL2003的標(biāo)準(zhǔn)，給定一條微博，需要識(shí)別出其中的人名、地名、機(jī)構(gòu)名和其他實(shí)體共4類(lèi)命名實(shí)體^[5]。

    研究的基礎(chǔ)模型采用了CRF^[6]模型。

1.1 特征選取

    基礎(chǔ)特征采用當(dāng)前詞和前后位置詞的詞型和詞性特征，這也是大多數(shù)CRF模型會(huì)采用的特征。由此生成的模型作為基礎(chǔ)模型，對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果作為基線。

1.1.1 主題特征

    (Latent Dirichlet Allocation，LDA)模型^[7]是一種無(wú)監(jiān)督的概率主題模型。每個(gè)主題下都分布著出現(xiàn)概率較高的詞語(yǔ)，這些詞都與這個(gè)主題有很強(qiáng)的相關(guān)性，利用這種相關(guān)性能在一定程度上解決一詞多義、同義詞等問(wèn)題。模型的訓(xùn)練使用了外部數(shù)據(jù)源，主題個(gè)數(shù)k可以事先指定。

    獲得LDA模型后，對(duì)于給定k個(gè)主題，通過(guò)p(w|t)，將每個(gè)主題視為一個(gè)特征，將訓(xùn)練集中的每個(gè)詞看作是由k個(gè)特征表示的K維向量，則每個(gè)詞都可以表示成一個(gè)k維向量，即：

其中，v_i表示第i個(gè)詞的向量，λ_k表示該詞在第k個(gè)主題上的權(quán)重，N是詞表的大小。

1.1.2 詞向量特征

    詞向量源于HINTON G E^[8]提出的Distributed Representation。一個(gè)流行的詞向量訓(xùn)練工具是word2vec，由MIKOLOV T^[9]于2013年提出。word2vec能把詞映射到d維的向量空間，用向量空間的相似度表示文本語(yǔ)義上的相似度，有利于解決微博語(yǔ)義含糊的問(wèn)題。

    詞向量一般有200～500維，如果直接將詞向量作為特征引入CRF模型，則計(jì)算量過(guò)大。這里需要利用的是其相似性，因此可以用聚類(lèi)的方法進(jìn)行簡(jiǎn)化。實(shí)驗(yàn)中選擇將詞語(yǔ)表示為200~500維的詞向量，再利用k-means進(jìn)行聚類(lèi)，將類(lèi)別作為特征輸入模型。特別需要指出的是，相比采用單一的聚類(lèi)結(jié)果，更好的辦法是多層聚類(lèi)（multi-layer cluster）。

1.2 模型強(qiáng)化

    人工處理微博語(yǔ)料人工處理代價(jià)高昂，為了以最小的人工代價(jià)獲得最大的系統(tǒng)性能提升，研究采用了主動(dòng)學(xué)習(xí)算法。主動(dòng)學(xué)習(xí)算法包含兩部分，一個(gè)是分類(lèi)器，另一個(gè)是抽樣策略^[10]。分類(lèi)器采用前文所述的改進(jìn)型CRF模型。抽樣策略可采用如下方法。

    抽樣不確定度是一中常見(jiàn)的衡量樣本信息含量的方法，在序列標(biāo)注模型中，可以根據(jù)最小置信度（Least Confidence）φ^LC(x)來(lái)確定抽樣不確定度。

其中，x表示一個(gè)樣本，y^*是對(duì)應(yīng)概率最大的標(biāo)記。對(duì)于一個(gè)訓(xùn)練好的CRF模型，可以在對(duì)每條微博進(jìn)行標(biāo)記的同時(shí)輸出對(duì)應(yīng)概率P?，F(xiàn)給出整個(gè)算法框架。

    算法1：基于置信度的主動(dòng)學(xué)習(xí)算法

    輸入：有標(biāo)記語(yǔ)料D_L、未標(biāo)記語(yǔ)料D_U

    輸出：分類(lèi)器C

        用D_L訓(xùn)練分類(lèi)器C（CRF classifier）

        重復(fù)：

2 實(shí)驗(yàn)

    實(shí)驗(yàn)用到了3個(gè)數(shù)據(jù)集，分別是訓(xùn)練集、擴(kuò)展集和測(cè)試集。其中3 000條標(biāo)記語(yǔ)料作為訓(xùn)練集，2 000條標(biāo)記語(yǔ)料作為測(cè)試集。另外2 000條作為擴(kuò)展集用于主動(dòng)學(xué)習(xí)，不需標(biāo)注。另有500萬(wàn)條經(jīng)過(guò)除重去噪的微博作為外部源，分別用于LDA模型訓(xùn)練和詞向量模型訓(xùn)練，供抽取外部特征使用。

2.1 評(píng)價(jià)標(biāo)準(zhǔn)

    本文采用的評(píng)價(jià)標(biāo)準(zhǔn)包括準(zhǔn)確率P（Precision）、召回率R（Recall）和F₁值（F₁-measure）3個(gè)指標(biāo)。F₁是準(zhǔn)確率和召回率的調(diào)和平均值，是一個(gè)綜合性的指標(biāo)。

2.2 實(shí)驗(yàn)數(shù)據(jù)及分析

    (1)使用訓(xùn)練集提取基礎(chǔ)特征，建立基礎(chǔ)模型，在測(cè)試集上進(jìn)行評(píng)估。結(jié)果如表1所示。此結(jié)果將作為基線與后續(xù)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。

    (2)引入外部特征進(jìn)行了多組實(shí)驗(yàn)。圖1左側(cè)是引入主題特征后的提升效果，雖然有效果但不明顯。圖1右側(cè)是將400維的詞向量進(jìn)行聚類(lèi)后作為特征引入模型的效果。F₁值在聚類(lèi)個(gè)數(shù)為400時(shí)達(dá)到了63.96%，較基線有明顯提升。究其原因，主要是詞向量的分量中隱含了豐富的上下文語(yǔ)法和語(yǔ)義信息，而LDA模型內(nèi)部采用了詞袋模型，僅考慮了詞的共現(xiàn)關(guān)系而沒(méi)有考慮上下文關(guān)系，這樣簡(jiǎn)化了模型，但不可避免地帶來(lái)了信息的損失。

    多層聚類(lèi)的實(shí)驗(yàn)效果如圖2所示，每個(gè)維度下前4個(gè)柱圖表示單層聚類(lèi)（分別是聚成200、300、400、500個(gè)類(lèi)簇）時(shí)的效果，最后一個(gè)表示同時(shí)使用前4個(gè)聚類(lèi)結(jié)果作為多層聚類(lèi)時(shí)的效果，顯然效果比單層聚類(lèi)更好。

    同時(shí)將所有的外部特征添加到基礎(chǔ)模型進(jìn)行實(shí)驗(yàn)，F(xiàn)₁值提高到65.41%。

    (3)采用主動(dòng)學(xué)習(xí)的方法進(jìn)一步強(qiáng)化模型。提升效果如圖3所示。詳細(xì)的數(shù)據(jù)參見(jiàn)表2。曲線Model_ba表示僅用外部特征而不進(jìn)行主動(dòng)學(xué)習(xí)的模型效果。曲線Model_la表示把一次性把包括訓(xùn)練集D_L和擴(kuò)展集D_U在內(nèi)的所有語(yǔ)料都進(jìn)行標(biāo)記（label all）并用于模型訓(xùn)練。Model_al1、Model_al2和model_al3是使用主動(dòng)學(xué)習(xí)策略但閾值不同的模型。總體看，無(wú)論是取哪個(gè)閾值，相比不進(jìn)行主動(dòng)學(xué)習(xí)，主動(dòng)學(xué)習(xí)都能提高F₁值，且收斂速度很快。

    表2進(jìn)一步說(shuō)明了主動(dòng)學(xué)習(xí)的優(yōu)點(diǎn)。Model_la需要標(biāo)記微博2 080條，約9萬(wàn)個(gè)詞，人工代價(jià)太大。相比之下，3個(gè)主動(dòng)學(xué)習(xí)模型能明顯降低人工標(biāo)記量。其中Model_al2比Model_al3的F₁值要高0.25%，標(biāo)記量?jī)H提升了12.9%；而Model_al1與Model_al2相比，F(xiàn)₁值僅提升了0.1%，但代價(jià)是標(biāo)記量提升了17%，且多迭代了兩次。綜合考慮，取Model_al2作為最終的實(shí)驗(yàn)結(jié)果。此時(shí)僅需標(biāo)記457條微博，約37 000個(gè)標(biāo)記，F(xiàn)₁值達(dá)到67.23%，相較最初的模型提升4.54%。

3 結(jié)語(yǔ)

    本文提出了一種面向中文微博的命名實(shí)體識(shí)別方法，先引入外部特征訓(xùn)練CRF模型，再采用主動(dòng)學(xué)習(xí)算法強(qiáng)化訓(xùn)練結(jié)果。實(shí)際工作中發(fā)現(xiàn)，中文分詞效果不佳影響了后續(xù)的工作，主動(dòng)學(xué)習(xí)仍然引入了二次標(biāo)記，不利于大規(guī)模的識(shí)別任務(wù)。這些都需要在以后的工作中加以改進(jìn)。

參考文獻(xiàn)

[1] NADEAU D，SEKINE S.A survey of named entity recognition and classification[J].Lingvisticae Investigationes，2007，30(1)：3-26.

[2] RITTER A，CLARK S，ETZIONI O.Named entity recognition in tweets: an experimental study[C].Proceedings of the Conference on Empirical Methods in Natural Language Processing.Association for Computational Linguistics，2011：1524-1534.

[3] TURIAN J，RATINOV L，BENGIO Y.Word representations：a simple and general method for semi-supervised learning[C].Proceedings of the 48th annual meeting of the association for computational linguistics.Association for Computational Linguistics，2010：384-394.

[4] Liu Xiaohua，Zhang Shaodian，Wei Furu，et al.Recognizing named entities in tweets[C].Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics：Human Language Technologies-Volume 1. Association for Computational Linguistics，2011：359-367.

[5] TJONG KIM SANG E F，DE MEULDER F.Introduction to the CoNLL-2003 shared task：Language-independent named entity recognition[C].Proceedings of the seventh conference on Natural language learning at HLT-NAACL 2003-Vol-ume 4.Association for Computational Linguistics，2003：142-147.

[6] LAFFERTY J D，MCCALLUM A，PEREIRA F C N.Conditional random fields：probabilistic models for segmenting and labeling sequence data[C].Eighteenth International Conference on Machine Learning.Morgan Kaufmann Publishers Inc.，2001：282-289.

[7] BLEI D M，NG A Y，JORDAN M I.Latent dirichlet allocation[J].Journal of Machine Learning Research，2003，3：993-1022.

[8] HINTON G E.Learning distributed representations of concepts[C].Proceedings of the Eighth Annual Conference of the Cognitive Science Society，1986，1：12.

[9] MIKOLOV T，SUTSKEVER I，CHEN K，et al.Distributed representations of words and phrases and their compositionality[C].Advances in Neural Information Processing Systems，2013：3111-3119.

[10] WU Y，KOZINTSEV I，BOUGUET J Y，et al.Sampling strategies for active learning in personal photo retrieval[C].Multimedia and Expo，2006 IEEE International Conference on.IEEE，2006：529-532.