馬孟鋮，艾斯卡爾·艾木都拉，吐爾地·托合提

（新疆大學(xué)信息科學(xué)與工程學(xué)院，烏魯木齊 830046）

命名實體識別是自然語言處理的基礎(chǔ)任務(wù)，其中通用領(lǐng)域語料下的復(fù)雜地名、機(jī)構(gòu)名實體識別效果還有待提高。針對這一問題，提出一種多特征融合的中文地名、機(jī)構(gòu)名實體識別方法，該方法以條件隨機(jī)場為框架，結(jié)合實驗語料的特點(diǎn)，選取統(tǒng)計特征，將局部特征、復(fù)合特征與規(guī)則知識庫相融合，對中文語料進(jìn)行命名實體識別。實驗結(jié)果表明，1998年1月《人民日報》語料上的測試結(jié)果，地名實體的F1 值提高2.2%，達(dá)到97.70%，機(jī)構(gòu)名實體的F1 值提高6.2%，達(dá)到92.80%。

命名實體；多特征融合；自然語言處理；條件隨機(jī)場

0 引言

命名實體識別是自然語言處理研究領(lǐng)域中的一項很重要的基礎(chǔ)性任務(wù)[1]，是實體關(guān)系抽取和事件抽取等高層任務(wù)重要基石，旨在從如今互聯(lián)網(wǎng)時代很容易獲得的海量非結(jié)構(gòu)文本中提取出能夠體現(xiàn)現(xiàn)實世界中存在的客觀具體或者抽象實體的單詞或者詞組，例如人名、地名和組織機(jī)構(gòu)名等[2]。

中文命名實體識別研究近年來發(fā)展迅速，中文命名實體識別的方法主要是基于規(guī)則的方法、基于統(tǒng)計的方法和深度學(xué)習(xí)[3]的方法[4]。Huang 等[5]提出了Bi-Lstm-CRF 模型，同時還融合了其他語言學(xué)特征以提升模型性能。Collobert[6]等采用CNN 進(jìn)行特征抽取，同時提出一種句級對數(shù)似然函數(shù)，通過融合其他特征取得了不錯的結(jié)果。基于機(jī)器學(xué)習(xí)的命名方法通常被當(dāng)作序列標(biāo)注任務(wù)[7]，張華平等[8]應(yīng)用隱馬爾可夫模型并使用角色標(biāo)注的方法來進(jìn)行實體識別，胡文博[9]提出一種基于多層條件隨機(jī)場的命名實體識別的方法，對各粗分詞串先在底層進(jìn)行簡單實體的識別，將結(jié)果傳入到高層模型再進(jìn)行復(fù)雜實體的識別，取得了不錯的效果。對于醫(yī)療文本中存在大量復(fù)合疾病名稱實體等問題，王鵬遠(yuǎn)[10]提出了基于多標(biāo)簽CRF 的疾病名稱抽取方法，對數(shù)據(jù)標(biāo)注多層標(biāo)簽進(jìn)行訓(xùn)練，最后用標(biāo)簽對實體進(jìn)行分離，且取得了不錯的效果。以《人民日報》語料為代表的通用領(lǐng)域語料，其復(fù)合地名、機(jī)構(gòu)名實體由于具有很強(qiáng)的隨意性，弱化了構(gòu)詞規(guī)律，而且二者之間易相互嵌套，使得其識別的效果相對較差。本文基于條件隨機(jī)場模型，充分利用通用領(lǐng)域語料的特點(diǎn)，選取原子特征、組合特征、語義特征等，通過構(gòu)建原子模板和復(fù)合模板，與知識庫相結(jié)合的方式識別地名、機(jī)構(gòu)名實體，實驗結(jié)果表明，該方法取得了較好的效果。

1 條件隨機(jī)場

條件隨機(jī)場是一個在給定輸入節(jié)點(diǎn)條件下計算輸出節(jié)點(diǎn)的條件概率的無向圖模型。條件隨機(jī)場是在給定需要標(biāo)記的觀察序列的條件下，計算整個標(biāo)記序列的聯(lián)合概率分布，而不是在給定當(dāng)前狀態(tài)條件下，計算下一個狀態(tài)的狀態(tài)分布。對于觀察值序列W 和狀態(tài)序列O，可以定義一個線性的CRF 模型，形式如下：

其中，Zw 是歸一化參數(shù)，它使得給定輸入的所有可能狀態(tài)序列的概率之和為1。Fk（On-1，On，W，n）是對于整個觀察序列W，標(biāo)記位于N 和N-1 之間的特征函數(shù)，特征函數(shù)可以是0、1值，也可以是任意實數(shù)。Θ＝θ1θ2…θk是特征函數(shù)對應(yīng)的權(quán)重。對與W 來說，目標(biāo)是搜索概率最大的O*=argmaxP（W|O）。

2 基于CRFs的命名實體識別

對于條件隨機(jī)場模型而言，觀察序列x 即輸入的句子是已知的，可以得到任意位置的觀測值，而狀態(tài)序列y 需要人工標(biāo)注，但并不計入特征函數(shù)，只是用于最后標(biāo)定標(biāo)記聯(lián)合概率分布的參考。使用特征構(gòu)建特征模板，進(jìn)而得到特征函數(shù)。本文采用的訓(xùn)練工具是：CRF++0.58；CRF++是著名的條件隨機(jī)場的開源工具，也是目前綜合性能最佳的CRF 工具。它可以自動生成一系列的特征函數(shù)，而不用我們自己生成特征函數(shù)，我們要做的就是尋找特征，基于條件隨機(jī)場命名實體識別流程圖如圖1 所示。

圖1 基于條件隨機(jī)場命名實體識別流程圖

2.1 類別標(biāo)注

狀態(tài)序列需要進(jìn)行標(biāo)注。原始語料中文本已被分成詞語的形式，如“忠誠/a 的/u 共產(chǎn)主義/n 戰(zhàn)士/n”，我們對語料中的實體進(jìn)行標(biāo)注，用“B-”、“I-”、“E-”、“S-”表示出上下文的語義關(guān)系。如“[西藏/ns 自治區(qū)/n 政府/n]nt 副/b 主席/n”標(biāo)注成“西藏B-nt 自治區(qū)I-nt 政府E-nt 副O(jiān) 主席O”。這樣我們可以將語料中的人名、地名、機(jī)構(gòu)名實體標(biāo)注出來作為狀態(tài)序列。

2.2 特征選擇

在基于統(tǒng)計機(jī)器學(xué)習(xí)的命名實體識別方法中，特征的選擇能夠直接影響最終識別性能的好壞。本文著重對地名、機(jī)構(gòu)名實體研究，提取出合適的特征。

（1）詞語本身標(biāo)記為WORD：本文選取的1998年人民日報語料，通過NLPIR-ICTCLAS 分詞系統(tǒng)將原始文本進(jìn)行切分形成詞語。詞語是表達(dá)中基本的形式，含有豐富的信息。

（2）詞性標(biāo)記為POS；分詞系統(tǒng)切分詞語的過程中會標(biāo)注詞語的詞性。地名、機(jī)構(gòu)名實體的詞性一般為名詞、名詞短語、動詞或動詞短語，而幾乎不會是介詞、連詞等詞性。故可認(rèn)為與實體有一定的相關(guān)性。

（3）實體的特征核心詞標(biāo)記為CORE：對語料下的復(fù)合地名、復(fù)合機(jī)構(gòu)名實體研究發(fā)現(xiàn)，這些實體一般都含有核心詞，如“地區(qū)”，“自治區(qū)”出現(xiàn)時大概率會出現(xiàn)地名，如“日喀則地區(qū)”，“新疆維吾爾自治區(qū)”。對于機(jī)構(gòu)實體而言，“公司”，“委員會”很大程度上是機(jī)構(gòu)名的中心詞，如“中國文聯(lián)出版公司”，“美國聯(lián)邦儲備委員會”。針對這一特點(diǎn)，我們添加實體的核心詞作為特征。

（4）實體的右邊界詞標(biāo)記為Right_Boundary；中文地名和機(jī)構(gòu)名的組成隨意性較大，如果能夠確定實體邊界，就能提高實體的識別效果。分析語料，我們發(fā)現(xiàn)實體的上下文出現(xiàn)的詞是有規(guī)律的，如“位于河南附近”，位于一般是地名的左邊界詞，附近也可作為地名的右邊界詞?？紤]到一些地名開頭的復(fù)合機(jī)構(gòu)名易誤識別成地名，如“新疆大學(xué)”可能只識別出“新疆”，所以我們選取實體的右邊界詞作為特征，能夠區(qū)分地名和機(jī)構(gòu)名邊界。

（5）復(fù)雜機(jī)構(gòu)名的左右邊界限定標(biāo)記為Ins_Limit；語料中一些復(fù)雜的機(jī)構(gòu)名識別率較低，對其分析，發(fā)現(xiàn)其存在以下幾個特點(diǎn)：一是字符長度較長，增加了識別難度；二是該類實體一般由地名+簡單機(jī)構(gòu)名組合而成。識別過程中容易誤識別或漏識別。針對這一問題，我們利用該類實體的特點(diǎn)，通過判斷實體開頭是否為地名構(gòu)建復(fù)合機(jī)構(gòu)限定詞詞典，對測試集進(jìn)行標(biāo)注。

2.3 特征模板

選取實體特征后，驗證特征是否對于實體識別有提高需要組合不同的特征進(jìn)行實驗對比，組合特征需要根據(jù)特征類型構(gòu)建模板。所以特征模板的構(gòu)建也是實體識別的關(guān)鍵。

CRF++工具包通過固定格式的特征模板來定義特征集，允許在一個上下文中按一元（Unigram）、二元（Bigram）、三元（Trigram）來使用特征。以下列出了特征模板實例，如表1 所示。

表1 特征模板實例

表中每一行%x[#，#]表示生成一個條件隨機(jī)場中的點(diǎn)函數(shù)：f（S，O），其中S 為t 時刻的標(biāo)簽，O 為t 時刻的上下文，如表2 中的訓(xùn)練語料所示。

表2 訓(xùn)練語料模板

當(dāng)前考慮的位置t 為“順利”，本文選取的上下文窗口大小為5；

表1 中U00-U04 特征模板：表示某個位置與當(dāng)前位置的詞的關(guān)系，如U04:%x[2，0]表示“順利”和“對”之間的聯(lián)系。

U05-U07 特征模板：表示某個位置與當(dāng)前位置的詞性的關(guān)系，如U06:%x[-1，1]表示“政府”的詞性“n”和“順利”的詞性“ad”之間的聯(lián)系。

同理U08-U09 特征模板：表示某兩個位置與當(dāng)前位置的詞的關(guān)系；U10-U12 表示某兩個位置與當(dāng)前位置的詞性的關(guān)系；U13-U15 特征模板表示表示某三個位置與當(dāng)前位置的詞性的關(guān)系。

隨著特征的不斷增多，特征模板的數(shù)量也快速增加，這會加重實驗的數(shù)據(jù)處理量，增加訓(xùn)練的復(fù)雜度，甚至?xí)档蛯嶓w識別的準(zhǔn)確度?？梢?，如何根據(jù)特征的效果有選擇地構(gòu)建特征模板，也是命名實體識別研究的關(guān)鍵。

3 實驗及結(jié)果分析

3.1 實驗數(shù)據(jù)集及實驗設(shè)計

實驗所用語料為1998年1月的人民日報語料，該語料為通用領(lǐng)域語料，其中復(fù)雜地名、機(jī)構(gòu)名實體的識別效果還有待提高。本文隨機(jī)抽取10000 條句子作為訓(xùn)練語料，3000 條句子作為測試語料。

本文將采用準(zhǔn)確率（P）、召回率（R）和F 值等三個指標(biāo)來評價實驗的性能。

3.2 特征選取及地名、機(jī)構(gòu)名識別實驗

根據(jù)語料的特點(diǎn)選擇不同的特征，特征的選取決定了命名實體識別效果的好壞。除了詞和詞性特征意外，本文選取了三項特征加入特征模板。

選取特征時，以“組織”一詞為例，如果把“組織”作為特征進(jìn)行標(biāo)記，則應(yīng)該把語料中所有出現(xiàn)的“組織”都進(jìn)行標(biāo)記。但是“組織”在“世界衛(wèi)生組織”中是實體的中心詞，在“組織當(dāng)?shù)厝罕婇_展……”中就不是中心詞了。這可能會導(dǎo)致數(shù)據(jù)稀疏問題。所以我們通過設(shè)定閾值，滿足條件的詞添加標(biāo)記作為特征。不同閾值下得到的右邊界詞個數(shù)如表1 所示。

如表3、表4 所示，實體右邊界詞特征的閾值取0時做標(biāo)記詞數(shù)為25807 個。閾值取0.05 時，該特征標(biāo)記下的詞數(shù)為19851 個，語料中詞語標(biāo)注的數(shù)目下降了1/5。實體中心詞特征的閾值取0 時做標(biāo)記詞數(shù)為23665 個。閾值取0.3 時，該特征標(biāo)記下的詞數(shù)為10290 個。標(biāo)記數(shù)目下降1/2，有效避免了數(shù)據(jù)稀疏問題。雖然實體右邊界詞特征閾值取0.1 時，語料中詞語標(biāo)記數(shù)下降了1/2，但是實體右邊界詞也減少了2/3，會使得該特征對于語料中的實體表示不夠充分，造成識別效果下降。所以實體中心詞特征的閾值設(shè)為0.3，實體右邊界詞特征的閾值設(shè)為0.05。

表3 不同閾值下實體中心詞個數(shù)及語料中詞語標(biāo)記數(shù)

表4 不同閾值下實體右邊界詞個數(shù)及語料中詞語標(biāo)記數(shù)

通過設(shè)定不同閾值獲得特征后，選取不同特征構(gòu)建特征模板進(jìn)行實驗對比，構(gòu)造組合特征進(jìn)行對比實驗。原子、組合特征模板如表5 所示。

表5 原子、組合特征模板

3.3 實驗結(jié)果分析

選取不同特征，構(gòu)造特征模板對添加特征的效果進(jìn)行實驗，如表6 所示。

4 結(jié)語

本文針對通用領(lǐng)域下地名、機(jī)構(gòu)名實體的特點(diǎn)，通過選取地名、機(jī)構(gòu)名實體的原子特征，復(fù)合特征和語義特征，利用條件隨機(jī)場模型根據(jù)訓(xùn)練模型對地名、機(jī)構(gòu)名實體進(jìn)行識別。實驗結(jié)果表明：該方法能夠有效地識別通用語料下地名、機(jī)構(gòu)名實體。地名實體的F1 值達(dá)到了97.70%，機(jī)構(gòu)名實體的F1 值提高了6.2%，達(dá)到了92.80%。

表6 不同特征模板下地名、機(jī)構(gòu)名識別的效果