【技术分享】BERT系列（二）-- BERT在序列标注上的应用

本文原作者：梁源，经授权后发布。

序列标注是NLP中一项重要的任务，它主要包括分词，词性标注，命名实体识别等子任务。通过对预训练后的BERT模型进行finetune，并与CRF进行结合，可以很好地解决序列标注问题。上篇文章对BERT官方源码进行了介绍，本篇文章将介绍如何通过BERT解决序列标注问题。同时本篇文章将BERT CRF模型与其他模型进行了对比，并且对BERT在序列标注上任务上存在的问题进行了分析。

1. 序列标注简介

所谓序列标注，就是对一个一维线性输入序列，给线性序列中的每个元素打上标签集合中的某个标签。所以，其本质上是对线性序列中每个元素根据上下文进行分类的问题。中文的序列标注问题，往往可以把一个汉字看做线性序列的一个元素，而不同任务其标签集合代表的含义可能不太相同，但是相同的问题都是：如何根据汉字的上下文给汉字打上一个合适的标签。无论是分词，还是词性标注，或者是命名实体标注，道理都是相通的。在深度学习流行起来之前，常见的序列标注问题的解决方案都是借助HMM模型，最大熵模型，CRF模型。尤其是CRF，它是解决序列标注问题的主流方法。随着深度学习的发展，RNN在序列标注问题上取得了巨大的成功，Bi-LSTM CRF模型，在该任务上表现的十分出色。但是当我们把Bi-LSTM升级为BERT，在序列标注上的准确率和训练效率上都达到了新的高度。同时发现，BERT CRF模型可以同时解决中文分词和词性标注两个任务，下面我们就通过这两个子任务分析BERT在序列标注上的应用。

2. BERT CRF 模型原理

BERT通过”Fill in the blank task” 以及 “Next sentence prediction” 两个任务进行预训练。在预训练模型的基础上稍加修改就可以处理多个下游任务。如下图所示，中文文本的序列标注问题，每个序列的第一个token始终是特殊分类嵌入（[CLS]），剩下的每一个token代表一个汉字。BERT的input embeddings 是token embeddings, segmentation embeddings 和position embeddings的总和。其中token embeddings是词（字）向量，segment embeddings 用来区分两种句子，只有一个句子的任务（如序列标注），可以用来区分真正的句子以及句子padding的内容，而position embedding保留了每个token的位置信息。BERT的output 是每个token的encoding vector。只需要在BERT的基础上增加一层全连接层并确定全连接层的输出维度，便可把embedding vector映射到标集合。词性标注问题的标签集合即中文中所有词性的集合。

BERT模型 FC layer（全连接层）已经可以解决序列标注问题，以词性标注为例，BERT的encoding vector通过FC layer映射到标签集合后，单个token的output vector再经过Softmax处理，每一维度的数值就表示该token的词性为某一词性的概率。基于此数据便可计算loss并训练模型。但根据Bi-LSTM CRF 模型的启发，我们在BERT FC layer 的基础上增加CRF layer。 CRF是一种经典的概率图模型，具体数学原理不在此处展开。要声明的是，CRF层可以加入一些约束来保证最终的预测结果是有效的。这些约束可以在训练数据时被CRF层自动学习得到。具体的约束条件我们会在后面提及。有了这些有用的约束，错误的预测序列会大大减小。

3. BERT CRF 模型工作流程

我们以词性标注为例具体讲解工作流程。

3.1 数据集

在词性标注任务中，主要采用1998年人民日报标注预料库（PRF）。该数据集共有19438条数据，格式如下图所示：“__label__” 为分隔符，分隔符的左侧为文本信息，右侧为标注的词性信息。根据6:2:2的比例将数据集分为train, eval 以及 test dataset。

3.2 数据预处理

在英文文本中单词为最小单位，且每个单词均有一一对应的词性信息，所以无需过多的预处理。但对中文文本，BERT模型的最小输入单位为单个汉字，但是词性信息是根据词语进行标注的，为了满足BERT的要求，我们需要对数据进行预处理，将原文本拆分成一系列的汉字，并对每个汉字进行词性标注。这种分词处理有多种体系，这里使用 ”BIO“，其中 “B” 表示该汉字是词汇开始字符，同时也可以表示单字词；“I” 表示该汉字是词汇的中间字符；“O” 表示该汉字不在词汇当中。”O” 在词性标注任务当中不会出现，但是在命名实体标注中有意义。经过预处理后的数据如下图所示。此外根据BERT模型的要求，需要预先设定最大序列长度(max_seq_length)，根据此参数对序列进行padding。

3.3 模型训练

3.3.1算法参数介绍

bert_dir :预训练模型的存放路径，其中包括的重要数据有：
- vocab.txt: 提供的词表用于输入数据的token embedding 的查找。
- bert_config.json: 提供预训练模型的配置信息
- init_checkpoint: 预训练模型的checkpoint
max_seq_length: 最大序列长度，长度小于该值得序列将进行padding处理，大于该值得序列将进行截断
num_epochs: 训练的epoch数
learning_rate: 学习率

3.3.2 其他细节介绍

在进行数据分割的时候，要保证所有词性标签在训练数据(training dataset) 中均有出现，否则未出现标签同样不会出在后续的预测当中。
需要将vocab.txt中不包括，但是出现在数据集中的汉字用 [UNK] 来替换，否则在训练过程中因无法获得token embedding信息而报错。

3.4 模型预测

同模型训练一样，待预测的句子需要被拆分为一系列单字后输入到训练好的模型当中，模型的输出为每一个单字对应的预测词性。因为这种形式不方便人来查看，所以增加一个后处理的步骤，把B开头，后面跟着I的汉字拼接在一起，直到碰见下一个B标签位置，这样就等于分出了一个单词词语。整个预测流程如下图所示：

在第二章节提到过增加的CRF层可以学习到一些约束，这些约束可能有：

句子的开头应该是 ”B-“，而不是“I-”。
“B-label1 I-label2 I-label3…”，在该模式中，类别1,2,3应该是同一种实体类别。比如，“B-n I-n” 是正确的，而“B-n I-v”则是错误的，同时“I-n I-v”也是错误的。

在训练数据足够大的时候，CRF层可以更好的学习到这些约束，但是无法保证在预测时不出错，因为在模型预测的后处理环节，同样需要考虑上述约束，不符合约束的token，以“ERROR” 来代替预测结果。如下图所示：

4. 模型比较及分析

4.1 模型比较

为了展示出BERT CRF的优势，我们将其与CRF， Bi-LSTM CRF进行比较，模型训练均采用单块Tesla P40。获得如下结果：

我们将以上5种模型进行比较，其中embedding的意思是input token使用预训练好的word embedding。可以看出BERT CRF模型的正确率最高，相较于BERT-LSTM CRF主流模型，提升了51.8%，训练用时缩短了78%。当我们查看准确率曲线时不难发现，完成一个epoch后，eval数据集的准确率已经超过90%，可见BERT CRF模型的训练效率和表现均十分出色。

4.2 优缺点分析

优点

Google官方提供了包括不同语种及不同尺寸的多个版本的预训练模型，极大的适应了下游任务，并节约了训练成本。
BERT CRF 相较于其他模型训练速度更快，准确率更高。可以很好地胜任中文文本的序列标注任务。
模型可以同时完成多任务：从上述例子可以看出，模型在处理词性标注任务的同时，也解决了中文分词的任务，一举两得。

缺点

必须设置max_seq_length参数。对BERT来讲，我们需要预先确定max_seq_length参数，未达到此长度的数据将做padding处理，而超过此长度的数据将被截断，造成信息丢失。这一点上不及Bi-LSTM灵活。
对硬件要求高。训练模型会占用较大的显存，尤其是为了适应文本增大max_seq_length时，显存占用会进一步加大，因此可能会增加预处理工作，比如预先对训练及预测文本进行分割，从而约束最大长度。
评价指标难以计算。对于词性标注任务，目前只能计算和比较字级别（token level）的准确率。但是当根据约束条件将字合并成词后，由于存在 ”ERROR“ 标签，合成词后的序列同原始序列相比会发生错位，导致词级别（term level）的评价指标难以计算。这是中文文本词性标注的问题的通病，同样存在于其他模型上，需要进一步研究解决方法。

5. 总结

BERT是一个十分强大的NLP模型，BERT CRF 可以高质量的完成序列标注任务。

系列文章传送门

BERT系列（一）——BERT源码分析及使用方法

机器学习机器学习平台人工智能腾讯云TI平台

0 人点赞