用腻了 CRF，试试 LAN 吧？

西湖大学在 EMNLP 2019 上提出了一种序列标注模型，在比 BiLSTM-CRF 训练解码速度更快的情况下，取得了更高的精度。

论文链接: arxiv.org/abs/1908.08676
源码链接: Nealcly/BiLSTM-LAN（https://github.com/Nealcly/BiLSTM-LAN）

1. 序言

统计自然语言处理中，条件随机场（Conditional Random Field）在词性标注，命名实体识别，中文分词等序列标注任务上都取得了惊人的效果。然而在深度学习时代，很多情况下 BiLSTM-CRF 并没有比不对输出序列进行建模的 BiLSTM-softmax 取得更好的效果。一个可能的原因是神经网络编码器已经有很强的序列信息编码能力，在此基础上 CRF 并没有引入更多的有效信息。
为了更好的对输出序列进行编码，论文中提出了一种逐层改进的基于标签注意力机制的网络(Hierarchically-Refined Label Attention Network)。该模型通过利用标签知识，更好的捕捉标签间长期的依赖关系。在英文词性标注，命名实体识别和组合范畴语法超标注的任务上，BiLSTM-LAN 在比 BiLSTM-CRF 训练解码速度更快的情况下，取得了更好的效果。
如下图所示，以词性标注为例，对输入句子 "They can fish and also tomatoes here"，第一层中，模型通过局部信息对每个单词词性进行判断，倾向于判断 "can" 为情态动词(MD)，"fish" 为动词(VB)。在经过多层LAN信息交互以后，长期标签依赖关系被考虑以后，"tomatoes"为名词的信息帮助模型对 "can" 和 "fish" 的词性进行重新判断，认定 "can" 和 "fish" 应为动词(VB)和名词(NN)。

示意图

2. 模型
下图模型中包含了两层 BiLSTM-LAN。每一个 BiLSTM-LAN 由对序列信息进行编码的 BiLSTM Encoding Layer 和对标签信息进行推理的 Label Attention Inference Layer 组成。

LAN-Model

3. 实验
本文在词性标注(WSJ, UD v2.2)，命名实体识别(OntoNotes 5.0)和组合范畴语法超标注(CCGBank)上进行了实验。

其中，*表示利用多任务与半监督学习取得的结果
4. 分析
4.1 标签可视化
论文使用t-SNE对词性标注的标签向量进行了可视化分析。

训练开始前，所有标签随机分散到空间内。模型训练5轮后，可以看到"NNP"和"NNPS"，"VBD"和"VBN"等相似词性聚集到一起。在训练38轮后，几乎所有相似的词性被聚集到了一起，例如"VB","VBD","VBN","VBG"和"VBP"。
4.2 超标签复杂度
为了验证BiLSTM-LAN捕捉长距离标签依赖关系的能力，论文中对不同复杂度的超标签标注准确率进行了分析。

越复杂的超标签需要更长期的标签依赖关系进行判断。随着复杂度的增加，BiLSTM-CRF 并没有比 BiLSTM-softmax 表现的好，然而 BiLSTM-LAN 表现显著高于其他模型。
4.3 案例分析
下图是不同模型的预测结果，错误部分使用黄色标注。

由于进行局部预测，BiLSTM-softmax 并不能捕捉到 "settled" 和 "at" 的关系。BiLSTM-CRF在出现"/PP"后，由于马尔科夫假设，预测 "with" 为 "PP/NP"。可以看出，BiLSTM-LAN 基于全局信息更好地进行了预测。

5. 总结

理论和序列标注实验结果证明，BiLSTM-LAN 通过对所有候选标签进行编码的方式，很好的捕捉了标签间长期依赖关系，并在一定程度上解决了标注偏执问题。在比BiLSTM-CRF训练解码速度更快的情况下，在词性标注，命名实体识别和组合范畴语法超标注任务上可以达到更高的精度。

本文由作者授权AINLP原创发布于公众号平台，点击'阅读原文'直达原文链接，欢迎投稿，AI、NLP均可。

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP君微信(id：AINLP2)，备注工作/研究方向+加群目的。

1. 序言

5. 总结

更多相关文章

随机推荐