陳彥妤 杜明

文章編號(hào)： 2095-2163（2018）03-0111-04中圖分類號(hào)： 文獻(xiàn)標(biāo)志碼： A

摘要： 關(guān)鍵詞： （Schoo of Computer Science and Technology， Donghua University， Shanghai 201620， China）

Abstract： Because the insurance name is long and there are a lot of abbreviations and ambiguities in the user's query， identifying the insurance naming information in the user question becomes a research problem in insurance intelligent question answering. In this paper， a model （Bi-LSTM-CRF） combining Conditional Random Field （CRF） with two-way long-term memory networks（Bi-LSTM）is proposed. Then pre-trained word embedding vectors are added to train this model. The experiment result shows that： compared with the traditional method of machine learning， Bi-LSTM-CRF has a better performance in insurance Name Entity Recognition.

Key words：

作者簡(jiǎn)介：

收稿日期： 引言

社會(huì)保險(xiǎn)作為現(xiàn)代經(jīng)濟(jì)的分支產(chǎn)業(yè)和風(fēng)險(xiǎn)管理的基本手段，是衡量經(jīng)濟(jì)發(fā)達(dá)程度和國民生活水平的有效標(biāo)志。但是目前大部分民眾對(duì)于保險(xiǎn)領(lǐng)域相關(guān)知識(shí)卻甚少涉獵。在參保人面臨選擇、產(chǎn)生問題時(shí)，如何利用智能問答[1]相關(guān)技術(shù)，準(zhǔn)確理解用戶的查詢意圖，為其提供專業(yè)、精準(zhǔn)的問答服務(wù)，更好地輔助參保人做出選擇即已成為互聯(lián)網(wǎng)保險(xiǎn)領(lǐng)域的熱門趨勢(shì)。

但保險(xiǎn)行業(yè)是一個(gè)門類龐雜、內(nèi)容泛化的實(shí)踐領(lǐng)域。且保險(xiǎn)領(lǐng)域內(nèi)的許多專有名詞，例如保險(xiǎn)名稱，字?jǐn)?shù)普遍較多，且構(gòu)成較為復(fù)雜。所以人們?cè)谔岢鰡栴}時(shí)常常不能準(zhǔn)確地表達(dá)出完整的保險(xiǎn)名稱，而是使用簡(jiǎn)寫、別名等方式進(jìn)行描述，甚至常常會(huì)發(fā)生錯(cuò)別字、歧義等混淆事件。這種情況給用戶問句的理解帶來了很大的困難。同時(shí)，句子內(nèi)的標(biāo)點(diǎn)符號(hào)、句子構(gòu)成方式、空格等都會(huì)對(duì)保險(xiǎn)名稱的識(shí)別造成重大影響。綜上分析可知，研究識(shí)別用戶問句中的保險(xiǎn)名稱則有著不可忽視的實(shí)際應(yīng)用價(jià)值。

1相關(guān)工作

目前，學(xué)術(shù)界對(duì)于命名實(shí)體識(shí)別[2]的研究，根據(jù)模型和算法的不同，現(xiàn)已陸續(xù)推出了成效可觀的各類技術(shù)成果，對(duì)其可給出如下重點(diǎn)表述。

規(guī)則和詞典相結(jié)合的方法最早應(yīng)用于命名實(shí)體識(shí)別中。該方法的規(guī)則主要是人工構(gòu)造規(guī)則模版，以字符串匹配的算法來設(shè)計(jì)展開命名實(shí)體的識(shí)別。這類方法的性能很大程度上將依賴于優(yōu)質(zhì)的人工構(gòu)造規(guī)則和完整的詞典。賈自艷等就是通過單字和多字的組合規(guī)則模型來實(shí)現(xiàn)命名實(shí)體的識(shí)別[3]。在保證這一前提的基礎(chǔ)上，基于詞典和規(guī)則的方法往往可以獲得優(yōu)良性能。但此類方法的人工成本較大，可移植性不高。

基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)算法是近年來獲得學(xué)界高度矚目與廣泛應(yīng)用的命名實(shí)體識(shí)別算法。這類方法多依托于統(tǒng)計(jì)學(xué)模型，并基于半監(jiān)督的機(jī)器學(xué)習(xí)方法識(shí)別實(shí)體。主要的方法有最大熵（ME）[4]、隱馬爾可夫模型（HMM）[5]、條件隨機(jī)場(chǎng)（CRF）等。Zhao等通過最大熵模型對(duì)4類名詞進(jìn)行實(shí)體識(shí)別，獲得了77.87%的準(zhǔn)確率[6]。另有陳霄采用SVM模型提出了中文組織機(jī)構(gòu)名的實(shí)體識(shí)別，準(zhǔn)確率達(dá)到了81.68%[7]。其中，CRF自2001年由Lafferty[8]等人研發(fā)提出后，就廣泛應(yīng)用于命名實(shí)體識(shí)別領(lǐng)域。在中文實(shí)體識(shí)別領(lǐng)域，相較于其它的統(tǒng)計(jì)學(xué)算法，也取得了更好的效果。

隨著命名實(shí)體識(shí)別的研究日趨深入，學(xué)術(shù)界正嘗試將現(xiàn)階段焦點(diǎn)性的深度學(xué)習(xí)技術(shù)應(yīng)用于中文命名實(shí)體的識(shí)別中。如卷積神經(jīng)網(wǎng)絡(luò)（CNN）[9]、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等。其中，解決了RNN的長(zhǎng)依賴問題的LSTM模型已獲證實(shí)在命名實(shí)體識(shí)別中有更好的效果。在命名實(shí)體識(shí)別中，相較于其它深度學(xué)習(xí)算法，LSTM可以更為完善地存儲(chǔ)句子中前后信息，同時(shí)也可以擬合非線性神經(jīng)網(wǎng)絡(luò)，這些特點(diǎn)都可以較好地彌補(bǔ)基于統(tǒng)計(jì)的CRF等模型的缺陷。因此，近一時(shí)期以來，學(xué)術(shù)界開始致力于將深度學(xué)習(xí)與機(jī)器學(xué)習(xí)結(jié)合起來，通過綜合多種算法的優(yōu)點(diǎn)來提高實(shí)體識(shí)別的效果。

基于以上問題，本文開展了如下研究工作：

（1）用保險(xiǎn)領(lǐng)域語料預(yù)訓(xùn)練字向量，將句子按字標(biāo)注，將預(yù)訓(xùn)練的字向量代替常規(guī)詞向量作為模型的輸入。實(shí)驗(yàn)證明在保險(xiǎn)這一特殊專業(yè)詞匯較多的領(lǐng)域中，預(yù)訓(xùn)練的字向量相比詞向量取得了更好的效果。

（2）將雙向的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)合CRF的模型應(yīng)用到保險(xiǎn)名稱的命名實(shí)體識(shí)別中。這樣將雙向LSTM可以保存句子前后信息的優(yōu)勢(shì)與CRF相結(jié)合，仿真實(shí)驗(yàn)最終表明該模型在保險(xiǎn)名稱實(shí)體識(shí)別中具有更加優(yōu)越的性能表現(xiàn)。

2基于BI-LSTM-CRF實(shí)現(xiàn)保險(xiǎn)名稱實(shí)體識(shí)別

2.1CRF

研究可知，CRF是對(duì)最大熵模型（HMM）的改進(jìn)。根據(jù)給定的輸入序列，CRF可以推測(cè)出對(duì)應(yīng)的最優(yōu)標(biāo)記序列，因此CRF可以應(yīng)用于命名實(shí)體的識(shí)別。這里，通過研究可得線性鏈條件隨機(jī)場(chǎng)即如圖1所示。

2.2Bi-LSTM

LSTM是一種解決序列標(biāo)注中出現(xiàn)的長(zhǎng)依賴問題的RNN模型。一般LSTM包含3個(gè)門，分別是：輸入門（Input Gate）、忘記門（Forget Gate）、輸出門（Output Gate），通過這3個(gè)門來控制細(xì)胞狀態(tài)。其中，輸入門決定保留當(dāng)前輸入的多少信息，忘記門決定保留上一個(gè)隱層傳來的多少信息，輸出門決定將輸出多少的信息。每個(gè)門通過sigmoid層和pointwise層的操作來對(duì)輸入到門的信息進(jìn)行選擇和刪除。例如sigmoid層通過產(chǎn)生一個(gè)0～1之間的參數(shù)用來選擇相應(yīng)比例的信息。

Bi-LSTM相較LSTM又引入了一定程度上的優(yōu)化。Bi-LSTM不僅可以保存前面的信息，同時(shí)也可以考慮到之后的信息，對(duì)于中文這種語義受上下文影響較大的語言來說，Bi-LSTM已獲證實(shí)可以在中文序列標(biāo)注中取得更好的效果。

如圖2所示，結(jié)合預(yù)訓(xùn)練生成的字向量，通過word embedding層轉(zhuǎn)化為字向量序列X1-i，將其作為Bi-LSTM的輸入。前向LSTM從左到右輸入，得到一組輸出h1-i；后向LSTM從右到左輸入得到一組輸出hi-1。這樣得到了2組元素長(zhǎng)度均為hidden size的輸出，最后將2組輸出的Ht相加得到Bi-LSTM的輸出。

2.3基于Bi-LSTM-CRF識(shí)別保險(xiǎn)名稱實(shí)體

在本文中，研究結(jié)合Bi-LSTM和CRF這2種模型，通過Bi-LSTM層獲得之前和未來的輸入特征，利用深度學(xué)習(xí)解決CRF中的序列特征提取問題。

首先采用了BIO經(jīng)典標(biāo)注法來對(duì)用戶語料按字進(jìn)行標(biāo)注，標(biāo)注后結(jié)果可見表1。

然后將利用word2vector[10]結(jié)合爬取到的保險(xiǎn)問題語料展開字向量的預(yù)訓(xùn)練，并結(jié)合預(yù)訓(xùn)練字向量和標(biāo)準(zhǔn)化處理后的語料集即可以開始模型訓(xùn)練。

標(biāo)注句子標(biāo)注句子標(biāo)注句子標(biāo)注請(qǐng)O福I-BXN年O么O問O的O齡O？O平B-BXN投O是O安I-BXN保O什O如圖3所示，在每一次訓(xùn)練過程中，可將用戶問句按字符分開，并將字求得向量化，再作為模型的輸入。將雙向LSTM的輸出htl和htr相加，傳入Liner層和Log-Softmax層進(jìn)行非線性操作得到ht，同時(shí)將ht傳入CRF層。定義上述輸出的分?jǐn)?shù)矩陣為n*k的矩陣P。其中，n為句子中字向量的個(gè)數(shù)，k為需要識(shí)別的所有標(biāo)簽個(gè)數(shù)，Pi，t表示的是整個(gè)句子中第t個(gè)詞標(biāo)簽是i的分?jǐn)?shù)。過程中將該矩陣作為CRF層的輸入，CRF層可以引進(jìn)句子局部特征的線性加權(quán)值，獲得句子級(jí)別標(biāo)簽信息。通過狀態(tài)轉(zhuǎn)移矩陣參數(shù)的作用，可以有效利用前后標(biāo)簽來預(yù)測(cè)當(dāng)前標(biāo)簽，優(yōu)化整個(gè)序列。為此，可定義這個(gè)狀態(tài)轉(zhuǎn)移為（k+2）*（k+2）的矩陣A，其中Ai， j表示在一個(gè)連續(xù)的時(shí)間序列中，第i個(gè)標(biāo)簽轉(zhuǎn)移到第j個(gè)標(biāo)簽的分?jǐn)?shù)[11]。對(duì)于輸入序列x，預(yù)測(cè)的標(biāo)簽序列y的分?jǐn)?shù)的公式表述為：sx，y=∑ni=0Ayi， yi+1+∑ni=1Pi，yi（1）

再用softmax層計(jì)算出所有可能標(biāo)簽的概率，在訓(xùn)練過程中不斷收斂，最大程度地提高正確預(yù)測(cè)序列的分?jǐn)?shù)。研究推得數(shù)學(xué)運(yùn)算公式如下：py|x=es（x，y）1Yxexp （∑y∈Yes（x，y）x）（2）

logpy|X=1K[sx，y-log∑y∈Yxλiesx，y]（3）其中，λ表示向量維度；K為句子字?jǐn)?shù)；Y為所有可能的標(biāo)簽序列。

至此，CRF層會(huì)輸出一個(gè)得分最高的標(biāo)記序列。多次訓(xùn)練后，不斷調(diào)整網(wǎng)絡(luò)參數(shù)，得分最高的序列會(huì)逐步向預(yù)先標(biāo)記的正確序列靠近，綜上就是模型的訓(xùn)練過程。得到一個(gè)效果較優(yōu)的模型后，當(dāng)面對(duì)輸入問題：請(qǐng)問平安福的投保年齡是什么？模型可以將保險(xiǎn)名稱：“平安?！边@一實(shí)體識(shí)別出來。

3實(shí)驗(yàn)

3.1實(shí)驗(yàn)數(shù)據(jù)集

為了對(duì)本文提出的方法進(jìn)行有效性評(píng)估，本文從專業(yè)化保險(xiǎn)服務(wù)平臺(tái)沃保網(wǎng)和向日葵保險(xiǎn)專家網(wǎng)站上爬取并整理了11 456條用戶問題數(shù)據(jù)，并按字對(duì)其進(jìn)行手工標(biāo)注。其中，7 320條左右作為訓(xùn)練集，3 019條作為測(cè)試集，剩下1 117條作為交叉驗(yàn)證集。

本文中字向量[12]由Google開源工具word2vec中的skip-gram模型，結(jié)合事先爬取的保險(xiǎn)領(lǐng)域問句進(jìn)行字向量訓(xùn)練，由此形成100維的字向量。對(duì)比實(shí)驗(yàn)采用的詞向量借助jieba分詞處理，再使用word2vec訓(xùn)練，維度也為100維。

3.2實(shí)驗(yàn)參數(shù)設(shè)置

本文實(shí)驗(yàn)中，字向量維度為100維，LSTM隱層單元數(shù)為100，丟棄率（dropout rate）為0.6，學(xué)習(xí)率為0.001。

3.3實(shí)驗(yàn)結(jié)果分析

為了更好地討論信息統(tǒng)計(jì)與結(jié)果分析，從數(shù)據(jù)集中隨機(jī)選取定量記錄進(jìn)行樣本分析，并獲取準(zhǔn)確率P、召回率R和F1度量值。這3個(gè)指標(biāo)具體定義公式如下：P=識(shí)別正確的實(shí)體數(shù)識(shí)別的實(shí)體總數(shù)（4）

R=識(shí)別正確的實(shí)體數(shù)文本中包含的實(shí)體總數(shù)（5）

F1=2*P*RP+R（6）基于如上3個(gè)指標(biāo)，就可以較全面地評(píng)價(jià)模型性能。利用本文的保險(xiǎn)問題數(shù)據(jù)集來設(shè)計(jì)生成對(duì)比實(shí)驗(yàn)，最終實(shí)驗(yàn)結(jié)果可見表2。

結(jié)論：

（1）通過對(duì)比Bi-LSTM-CRF+ Pre-trained Word和Bi- LSTM-CRF + Pre-trained Character模型的數(shù)據(jù)，進(jìn)一步分析后發(fā)現(xiàn)，采用預(yù)訓(xùn)練的字向量作為輸入比用詞向量效果更好。相應(yīng)的準(zhǔn)確值、召回率、以及F1值都有較大的提高。對(duì)于保險(xiǎn)領(lǐng)域問句來說，句子中含有較多的領(lǐng)域?qū)I(yè)詞匯，且句子較短，噪聲較大。采用jieba對(duì)句子進(jìn)行分詞很容易產(chǎn)生歧義。若采用字向量作為分詞則可以避免這種歧義情況，在保險(xiǎn)名稱實(shí)體識(shí)別中可以獲得更好的效果。

（2）通過對(duì)比CRF、Bi-LSTM+ Pre-trained Character和Bi- LSTM-CRF + Pre-trained Character模型的評(píng)價(jià)指標(biāo)，處理分析后發(fā)現(xiàn)，本文提出的基于預(yù)訓(xùn)練字向量的Bi-LSTM-CRF在保險(xiǎn)名稱實(shí)體識(shí)別中可以取得更好的效果。Bi- LSTM-CRF 結(jié)合預(yù)訓(xùn)練字向量，利用Bi-LSTM為 CRF選取最優(yōu)特征工程，利用CRF句子級(jí)別的標(biāo)簽信息優(yōu)化Bi-LSTM結(jié)構(gòu)。結(jié)合兩者可以獲得更佳的識(shí)別效果。

4結(jié)束語

保險(xiǎn)領(lǐng)域的智能問答技術(shù)設(shè)計(jì)與實(shí)現(xiàn)已然成為當(dāng)下人工智能與社會(huì)保險(xiǎn)相契合的熱點(diǎn)研究項(xiàng)目。不同于以往建立問答語料庫，并通過計(jì)算問句相似度來查詢相近答案的方法，本文是從自然語言角度出發(fā)，能夠更加貼切、充分地理解用戶查詢意圖。實(shí)驗(yàn)表明，對(duì)比當(dāng)下學(xué)術(shù)界流行的各個(gè)模型，在真實(shí)的保險(xiǎn)領(lǐng)域問句數(shù)據(jù)中，本文的模型在保險(xiǎn)名稱命名實(shí)體的識(shí)別上取得了較好效果。未來將考慮引入attention機(jī)制，根據(jù)各種字符的不同重要程度分配相應(yīng)的權(quán)重，動(dòng)態(tài)地利用字向量信息[13]。

參考文獻(xiàn)

[1] 毛先領(lǐng)，李曉明. 問答系統(tǒng)研究綜述[J]. 計(jì)算機(jī)科學(xué)與探索，2012，6（3）：193-207.

[2] NADEAU D， SEKINE S. A survey of named entity recognition and classification[J]. Journal of Linguisticae Investigations， 2007， 30 （1） ：1-20.

[3] 賈自艷，史忠植. 基于概率統(tǒng)計(jì)技術(shù)和規(guī)則方法的新詞發(fā)現(xiàn)[J]. 計(jì)算機(jī)工程，2004，30（20）：19-21，83.

[4] BERGER A L， PIETRA V J D， PIETRA S A D. A maximum entropy approach to natural language processing[J]. Computational linguistics， 1996， 22 （1） ：39-71.

[5] RABINER L， JUANG B. An introduction to hidden Markov models[J]. IEEE ASSP Magazine， 1986， 3 （1） ：4-16.

[6] ZHAO Jian. Research on conditional probabilistic model and its application in Chinese Named Entity Recognition[D]. Harbin：Harbin Institute of Technology，2006.

[7] 陳霄. 基于支持向量機(jī)的中文組織機(jī)構(gòu)名識(shí)別[D]. 上海：上海交通大學(xué)，2007.

[8] LAFFERTY J，MCCALLUM A，PEREIRA F. Conditional random fields： Porbabilistic models for segmenting and labeling sequence data[C]//Proceedings of the 18th International Conference on Machine Learning. Williamstown， MA， USA：Williams College，2001： 282-289.

[9] COLLOBERT R， WESTON J， BOTTOU L， et al. Natural language processing （almost） from scratch[J]. The Journal of Machine Learning Research， 2011， 12 （1）：2493-2537.

[10]MIKOLOV T， SUTSKEVER I， CHEN Kai， et al. Distributed representations of words and phrases and their compositionality[J]. arXiv preprint arXiv：1310.4546， 2013.

[11]HUANG Zhiheng， XU Wei， YU Kai. Bidirectional LSTM-CRF models for sequence tagging[J]. arXiv preprint arXiv：1508.01991v1， 2015.

[12]WANG Ling， LUS T， MARUJO L，et al. Finding function in form： Compositional character models for open vocabulary word representation[J]. arXiv preprint arXiv：1508.02096v1， 2015.

[13]REI M， CRICHTON G K O， PYYSALO S. Attending to characters in neural sequence labeling models[J]. arXiv preprint arXiv：1611.04361，2016.