NLP 的命名實體識別 Jieba_NER

本文主要來介紹NLP中的命名實體識別。命名實體識別與中文分詞、詞性標注一樣，也是NLP的一個基礎任務，是信息抽取、信息檢索、機器翻譯、問答系統等多種NLP技術不可或缺的一部分。其目的是：識別語料中的人名、地名、組織機構名等命名實體。

隨著命名實體數量的不斷增加，一般不可能在詞典中全部列出，由于命名實體的構成方法具有規律性，通常把對這些詞的識別在任務中進行獨立處理，稱之為命名實體識別。NER一般分為3大類和7小類。

1.中文命名實體識別的難點

各類命名實體的數量眾多。命名實體的構成規律復雜。比如人名的構成規則各有不同，中文人名識別又可以細分為中國人名識別、日本人名識別和音譯人名識別等；再比如機構名的組成方式，機構名的種類繁多，各有獨特的命名方式，用詞也相當廣泛，只有結尾用詞相對集中。嵌套情況復雜。一個命名實體經常和一些詞組合成一個嵌套的命名實體，人名中嵌套著地名，地名中也經常嵌套著人名。長度不確定。與其他類型的命名實體相比，長度和邊界難以確定，使得機構名更難識別。中國人名一般二到四字，常用地名一般二到四字，但是機構名長度變化范圍極大，少的只有兩個字簡稱，多的達到幾十個字的全稱。2命名實體識別方式

EigenLayer在將流動性質押上限提高至100,000ETH后，TVL激增207%:金色財經報道，去中心化金融(DeFi)平臺EigenLay在將流動性質押上限提高至100,000以太坊(ETH)后，鎖定總價值(TVL)激增207%，從7800萬美元升至2.38億美元，在幾個小時內就達到了100,000枚上限。[2023/8/23 18:17:53]

中文分詞中，主要有基于規則方法、基于統計方法和基于二者的混合方法。命名實體識別主要也包含這三種方法。

基于規則的命名實體識別：規則加詞典是早期命名實體識別中最行之有效的方式。依賴手工規則，結合命名實體庫，對每條規則進行權重賦值，然后通過實體與規則的相符情況來進行類型判斷。基于統計的命名實體識別：與分詞類似，目前主流的基于統計的命名實體識別方法有：隱馬爾可夫模型、最大熵模型、條件隨機場等。其主要思想是：基于人工標注的語料，將命名實體識別任務作為序列標注問題來解決。基于混合的命名實體識別：NLP并不完全是一個隨機過程，單獨使用基于統計的方法使狀態搜索空間非常龐大，必須借助規則知識提前進行過濾修剪處理。目前幾乎沒有單純使用統計模型而不使用規則知識的命名實體識別系統，在很多情況下是使用混合方法，結合規則和統計方法。序列標注方式是目前命名實體識別中的主流方法，下面重點介紹基于CRF條件隨機場的方法。

加密稅務軟件公司ZenLedger宣布裁員:12月10日消息，據兩位知情人士透露，加密貨幣稅務軟件公司ZenLedger本周裁員10%。ZenLedge首席執行官Pat Larsen證實裁員消息，表示12月5日六名員工被解雇，以期“將公司的生命周期延長至數年”，從而能夠“成功度過加密市場和全球宏觀經濟高度不確定的時期”。

據此前報道，今年5月，加密貨幣稅務分析和區塊鏈分析公司ZenLedger完成1500萬美元B輪融資。（Blockworks）[2022/12/10 21:35:46]

3基于CRF的命名實體識別

條件隨機場的主要思想來源于HMM，也是一種用來標記和切分序列化數據的統計模型。不同的是，條件隨機場是在給定觀察的標記序列下，計算整個標記序列的聯合概率，而HMM是在給定當前狀態下，定義下一個狀態的分布。

Protool Poolz在其主網上集成Chainlink VRF:據官方消息，去中心化代幣兌換協議Protool Poolz在主網上集成了Chainlink VRF（可驗證隨機函數），將參與高需求欲上市流動性拍賣的投資者列入白名單。這使Poolz可以公平公正地自動選擇參與者。[2021/1/16 16:18:14]

條件隨機場的定義為：假設X=(X1,X2,X3,…,Xn)和Y=(Y1,Y2,Y3,…,Ym)是聯合隨機變量，若隨機變量Y構成一個無向圖G=(V，E)表示的馬爾可夫模型，則其條件概率分布P(Y|X)稱為條件隨機場，即：

P(Yv|X,Yw,w≠v)=P(Yv|X,Yw,w～v)

其中w～v表示無向圖G=(V，E)中與結點v有邊連接的所有節點，w≠v表示結點v以外的所有節點。

Warp.Finance平臺宣布重啟 修復閃電貸漏洞并轉向使用Chainlink預言機:據官方消息，此前遭受閃電貸攻擊的DeFi項目Warp.Finance發文宣布，Warp.Finance平臺已重新啟動，并在協議已有的安全制度之上增加了額外的安全措施。官方表示，已進行安全審計并對此前閃電貸攻擊漏洞進行了修復。與此同時，官方已將Warp Finance價格預言機從Uniswap預言機轉換為Chainlink預言機。此前2020年12月消息，Warp.Finance協議在發布后遭受閃電貸攻擊，隨后官方追回損失的585萬美元資金。[2021/1/15 16:13:54]

例如：對句子“我來到陶家村”進行標注，正確標注后的結果為：我/O來/O到/O陶/B家/M村/E。采用線性鏈CRF來進行解決，那么是其一種標注序列，也是是其一種標注選擇，類似的可選擇的標注序列有很多，在NER任務中就是在這么多的可選標注序列中，找出最靠譜的作為句子的標注。

Chainlink 24小時交易額超過以太坊:Messari數據顯示，預言機項目Chainlink 24小時交易額超過以太坊。AICoin信息顯示，代幣LINK 24小時漲幅超過9%，目前市值排名第九。[2020/7/15]

那么我們要解決的問題就是要判斷標注序列是否靠譜。就剛才的兩種標注方法，顯然第一種比第二種更為準確，因為第二種將“陶”和“家”都作為地名首字標成了“B”，一個地名兩個首字符，顯然不合理。假如給每個標注序列打分，分值代表標注序列的靠譜程度，越高代表越靠譜，那么可以定一個規則，若在標注中出現連續兩個“B”結構的標注序列，則給它低分。連續“B”結構打低分就對應一條特征函數。在CRF中，定義一個特征函數集合，然后使用這個特征函數集合為標注序列進行打分，據此選出最靠譜的標注序列，該序列的分值是通過特征函數集合得出的。

在CRF中有兩種特征函數，分別為：轉移函數tk(yi-1,yi,i)和狀態函數sl(yi,X,i)。tk(yi-1,yi,i)依賴于當前和前一個位置，表示從標注序列中位置i-1的標記yi-1轉移到位置i上的標記yi的概率。sl(yi,X,i)依賴當前位置，表示標記序列在位置i上為標記yi的概率。通常特征函數取值為1或0，表示符不符合該條規則約束。

4日期識別代碼示例

應用場景：

現有一個智能外呼系統，由機器人撥打電話給客戶，通知客戶新股中簽情況，客戶與機器人進行對話。對話機器人根據用戶的語音進行解析，發覺用戶的需求，比如：新股中簽的時間，新股買入的時間等。通過asr技術將用戶的語音轉換成中文文本，然后由于asr的識別準確度問題，許多日期類的數據并不是嚴格的數字，比如會出現“十一月12日”“2019年11月”“20191112”“后天下午”等形式。

現在的需求是識別出每個請求文本中可能的日期信息，并將其轉換成統一的格式進行輸出。比如：“我打算今天或明天買入新股”，那么通過日期解析后，應該輸出為“2019-11-12”和“2019-11-13”。

通過結果分析可以看到，text1text2text3text4結果還是相對較好的，對于text5這種規則覆蓋之外的場景，方法效果大大降低。

作者：KevinTao

知乎號：Kevin陶民澤

備注：轉載請注明出處。

如發現錯誤，歡迎留言指正。

Tags：CRFNLPNERCRF幣CRF價格NLP價格NLP幣NER價格NER幣

幣贏交易所