周樂樂，陳磊，季豐，任竹，劉楠楠

（安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，安徽合肥 230001）

近些年，數(shù)據(jù)呈現(xiàn)爆發(fā)式增長，計(jì)算機(jī)硬件性能不斷增強(qiáng)，計(jì)算機(jī)算法理論也不斷突破，尤其是大數(shù)據(jù)時(shí)代的到來，許多電子文檔類的自然語言呈現(xiàn)在我們周圍，在人類自然語言文本里提取出相關(guān)實(shí)體、屬性、關(guān)系等這類高層次結(jié)構(gòu)化的語義信息來處理每個行業(yè)中的一些問題正是現(xiàn)階段的研究熱點(diǎn)[1-2]。種植業(yè)與每個人息息相關(guān)，土壤情況是種植業(yè)的基本。掌握土壤肥力情況是因地種植的前提條件。而現(xiàn)有的土壤肥力數(shù)據(jù)比較分散，種植戶們想快速直接地了解當(dāng)?shù)赝寥婪柿η闆r較為困難。多數(shù)情況下種植戶們都還是根據(jù)經(jīng)驗(yàn)施肥，這就導(dǎo)致了施肥不科學(xué)的情況。

為了將分散的土壤肥力數(shù)據(jù)利用起來，可以通過建立土壤肥力的知識圖譜。土壤肥力知識圖譜是將不同地區(qū)的土壤肥力信息按照土壤肥力屬性關(guān)聯(lián)組合而成的巨大信息網(wǎng)。通過構(gòu)建土壤肥力知識圖譜建立一套土壤肥力知識問答系統(tǒng)，使用者可以通過土壤肥力知識問答系統(tǒng)獲取需要了解的地區(qū)的土壤肥力指標(biāo)情況，能更加高效快捷地獲得針對性土壤肥力的信息，并將其作為決策依據(jù)。

土壤肥力命名實(shí)體識別是構(gòu)建土壤肥力知識圖譜中至關(guān)重要的一個步驟。首先預(yù)定義需要識別對象的語義類別，命名實(shí)體識別就是指在文本數(shù)據(jù)集中利用算法自動識別出預(yù)定義過的需要識別的對象[3]。此外，在信息檢索、問答系統(tǒng)、機(jī)器翻譯等方向也常用到命名實(shí)體識別[4]。土壤肥力命名實(shí)體識別流程見圖1。考慮土壤肥力文本的特點(diǎn)：（1）中文數(shù)據(jù)集文本字詞比較隨意[5]；（2）土壤肥力的屬性較多，存在別名和英文縮寫；（3）為便于土壤肥力知識問答系統(tǒng)的建立，需要將土壤肥力知識信息在語言理解中進(jìn)行整合。因此本文使用了一種基于ERNIE-BiLSTM-CRF 模型的土壤肥力命名實(shí)體識別技術(shù)。

圖1 土壤肥力命名實(shí)體識別流程

ERNIE-BiLSTM-CRF 模型，采用ERNIE（enhanced language representation with informative entities）模型對土壤肥力信息預(yù)訓(xùn)練并進(jìn)行向量表示，利用BiLSTM（bidirectional long short term memory）學(xué)習(xí)ERNIE 預(yù)訓(xùn)練語言模型輸出的字向量特征，并對獲得的所有可能的標(biāo)簽序列計(jì)分，計(jì)分后將所有標(biāo)簽序列輸入CRF（condition random field），通過CRF 層解碼生成最優(yōu)序列結(jié)果輸出。

該研究結(jié)合中國知網(wǎng)中文獻(xiàn)提供的土壤肥力數(shù)據(jù)，構(gòu)建了基于文獻(xiàn)數(shù)據(jù)的土壤肥力領(lǐng)域語料集，并應(yīng)用于安徽省土壤肥力知識問答系統(tǒng)中。試驗(yàn)結(jié)果表明本文構(gòu)建的ERNIE-BiLSTM-CRF 模型在準(zhǔn)確率P、召回率R、F1值方面均取得了較好的效果。

1 相關(guān)工作

命名實(shí)體識別方法大致可以分為以下3 類方法[6]。

1.1 基于規(guī)則的方法

這種方法的基礎(chǔ)是依靠人為制定句法、語法、詞匯模式和特定領(lǐng)域知識等各個方面的相關(guān)規(guī)則，在涉及字典不多的情況下可考慮使用這種方法。但特定領(lǐng)域規(guī)則、字典不完備導(dǎo)致召回率低。另外每個領(lǐng)域的準(zhǔn)則一般都是不通用的，換一個領(lǐng)域就需要再次制定相關(guān)規(guī)則和字典，系統(tǒng)很難遷移使用。

1.2 基于統(tǒng)計(jì)的方法

將訓(xùn)練集中含有的語義信息統(tǒng)計(jì)分析，從中挖掘出各種詞、上下文和語義等相關(guān)特征[7]，這種方式對選取特征方面要求比較高，受語料庫制約，大規(guī)模通用的語料庫較少[8]。

1.3 基于深度學(xué)習(xí)方法

在這種學(xué)習(xí)方法中命名實(shí)體識別被當(dāng)成序列標(biāo)注處理，通過大量語料學(xué)習(xí)出標(biāo)注模型，標(biāo)注句子的每個位置[9]。

基于深度學(xué)習(xí)方法的優(yōu)點(diǎn)有：命名實(shí)體識別時(shí)基于深度學(xué)習(xí)非線性的特性，由輸入至輸出形成非線性映射。深度學(xué)習(xí)模型能夠基于大量的數(shù)據(jù)使用非線性激活函數(shù)學(xué)習(xí)，從而獲取復(fù)雜度更高的精致的特征；深度學(xué)習(xí)不會涉及很高復(fù)雜度的特征工程[10]，能夠在輸入的文本里自動發(fā)掘信息并且學(xué)習(xí)信息的表示，這樣自動學(xué)習(xí)的效果相較于傳統(tǒng)方法也是有優(yōu)勢的；深度命名實(shí)體識別模型是端到端的，避免流水線類模型中國年各模塊間誤差傳播，能夠承載復(fù)雜度更高的內(nèi)部設(shè)計(jì)，得到更好的效果。

2 ERNIE-BiLSTM-CRF 模型

文中提出的ERNIE-BiLSTM-CRF 模型由3 部分組成，具體結(jié)構(gòu)如圖2。

圖2 ERNIE-BiLSTM-CRF 模型結(jié)構(gòu)

（1）ERNIE 層：在ERNIE 層預(yù)訓(xùn)練處理過的土壤肥力數(shù)據(jù)集，將輸入的文本向量化；（2）BiLSTM 層：在BiLSTM層訓(xùn)練ERNI 預(yù)訓(xùn)練模型輸出的向量化標(biāo)簽，提取出文本特征，將一切可能的標(biāo)簽序列評分并輸出；（3）CRF 層：在CRF 層解碼BiLSTM 層輸出的所有標(biāo)簽序列并獲取其中分值最高的標(biāo)簽序列，此最優(yōu)標(biāo)簽序列做為模型的最終輸出，即為最終的實(shí)體標(biāo)簽序列。

2.1 ERNIE 預(yù)訓(xùn)練語言模型

最初很長一段時(shí)間內(nèi)，在自然語言處理方面，都是利用Word2Vec 等詞向量的方法處理文本編碼需求。但這種這種處理后的文本上下文是沒有關(guān)聯(lián)的，這樣在進(jìn)行自然突然處理任務(wù)的時(shí)候就非常局限。另外，有些詞會有多種表達(dá)意思，使用這種方法進(jìn)行預(yù)訓(xùn)練，后期也無法解決表達(dá)具體意思的問題。為了解決一個詞語會有多種表達(dá)意思的問題，ELMo 率先設(shè)計(jì)出一種可以表達(dá)文本上下文間關(guān)聯(lián)的方法。再后來，諸如GPT、BERT 之類的預(yù)訓(xùn)練模型也陸續(xù)出現(xiàn)，自然語言處理進(jìn)入動態(tài)預(yù)訓(xùn)練技術(shù)時(shí)代[11]。

近期，針對BERT 模型只學(xué)習(xí)與語言文本相關(guān)的信息，并沒有把知識信息整合其中的問題，清華大學(xué)與華為的研究學(xué)者設(shè)計(jì)了ERNIE 模型，該模型利用知識圖譜提升預(yù)訓(xùn)練效果[11]。在知識驅(qū)動型的任務(wù)中ERNIE 預(yù)訓(xùn)練語言模型的效果會比BERT 模型更好。因此，結(jié)合文中需要處理土壤肥力信息并用于安徽省土壤肥力知識問答系統(tǒng)，選擇通過ERNIE 處理土壤肥力語料，能夠?qū)⑸舷挛呐c知識實(shí)體的信息同時(shí)聚合，構(gòu)建知識化語言表征模型。

ERNIE 預(yù)訓(xùn)練語言模型的結(jié)構(gòu)如圖3。ERNIE 是基于多層雙向transformer 編碼器構(gòu)建，使用的是全attention 機(jī)制[12]。attention 機(jī)制與人為分析句子的方式比較相似，主要按照關(guān)鍵信息點(diǎn)來分析理解整句話表達(dá)的意思，使用的原理是

圖3 ERNIE 模型結(jié)構(gòu)

公式（1）里，Q，K，V 表示輸入字向量矩陣；dk表示輸入向量的維度。

計(jì)算時(shí)，transformer 編碼器采用一個計(jì)算步驟把句子里任何兩個詞進(jìn)行聯(lián)系，再將所有的詞表示通過加權(quán)求和，權(quán)重則通過softmax 層將此詞表示和被編碼的詞表示進(jìn)行點(diǎn)積獲得[12]，這樣就能夠很大程度地減小遠(yuǎn)距離依賴特征間距離，提升特征的有效使用率。

ERNIE 預(yù)訓(xùn)練語言模型經(jīng)過3 個掩碼階段處理達(dá)到對實(shí)體概念知識的學(xué)習(xí)、強(qiáng)化句子里完整概念的語義表示的功能[13]。

（1）基本遮蔽掩碼階段。把每個句子當(dāng)作基本的語言單位序列，以每個字為單位施行遮蔽[13]。此階段只是在字的層面上施行的隨機(jī)性遮蔽，對高層語義還無法完全建模。

（2）短語級遮蔽階段。把每個句子中的短語當(dāng)作基本的遮蔽單位，以短語為單位施行遮蔽。選取句子里的短語，把其含有的每個字使用[mask]標(biāo)記和預(yù)測[14]。通過這種方式能夠較好地保留短語信息。

（3）實(shí)體級遮蔽階段。先分析每句話含有的命名實(shí)體，包含人員、地點(diǎn)、組織、產(chǎn)品等[14]。再通過隨機(jī)選取的方式，選取句子里的實(shí)體，對實(shí)體里每個字使用[mask]標(biāo)記和預(yù)測。

在通過上述3 個掩碼遮蔽處理之后，獲取的詞表示形式含有豐富的語義信息，句子里成分間的關(guān)聯(lián)性以及重要成分包含的語義信息都能夠較好地保存下來。

2.2 BiLSTM 層

RNN（Recurrent Neural Network）結(jié)構(gòu)由輸入層、隱藏層和輸出層3 個模塊所組成[15]。相較于其他普通的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)特別之處是它的隱藏層之間是前后相連接的。這種相對特別的網(wǎng)絡(luò)結(jié)構(gòu)能夠保存序列里前文信息，因此RNN 結(jié)構(gòu)常被使用在命名實(shí)體識別工作中[16]。RNN 結(jié)構(gòu)在處理序列數(shù)據(jù)時(shí)對數(shù)據(jù)長度并沒有進(jìn)行限制，但是過長的序列會導(dǎo)致梯度爆炸的情況[17]。為了防止這種情況的發(fā)生，Hochreiter 等在傳統(tǒng)的RNN 結(jié)構(gòu)的基礎(chǔ)上設(shè)計(jì)了LSTM（Long Short-Term Memory）網(wǎng)絡(luò)[18]。

LSTM 單元結(jié)構(gòu)在傳統(tǒng)RNN 基礎(chǔ)上進(jìn)行了優(yōu)化，是由輸入門、遺忘門及輸出門3 個門單元模塊組成[13]，其具體的結(jié)構(gòu)如圖4 所示。

圖4 LSTM 單元結(jié)構(gòu)

LSTM 結(jié)構(gòu)處理數(shù)據(jù)時(shí)把前一刻的輸入做此刻的輸出，再利用Sigmoid 激活函數(shù)來激活輸入的數(shù)據(jù)，3 部分的公式分別如下：

公式（2）（3）（4）中，it、ft、ot依次表示LSTM 單元結(jié)構(gòu)中輸入門、遺忘門和輸出門3 個門單元，σ 表示Sigmoid 激活函數(shù)，xt是輸入的字符向量表示，ht-1表示LSTM 結(jié)構(gòu)上個時(shí)刻隱藏層狀態(tài)，Ct-1表示LSTM 結(jié)構(gòu)上個時(shí)刻的細(xì)胞狀態(tài)，b 則表示偏置向量。細(xì)胞狀態(tài)的更新公式如下：

公式（5）中，·為逐元素乘法，tanh 函數(shù)即為雙曲正切激活函數(shù)。LSTM 單元隱藏層狀態(tài)的更新過程公式如下：

由上可知，一個LSTM 單元結(jié)構(gòu)針對的都是上個時(shí)刻的狀態(tài)，這樣處理僅學(xué)習(xí)到文本里的歷史信息，無法學(xué)習(xí)到未來信息。但是，在實(shí)體識別工作中，實(shí)體的標(biāo)簽不僅會有歷史信息的影響，未來信息也會影響實(shí)體的標(biāo)簽。為了學(xué)習(xí)到文本里的歷史信息和未來信息，該試驗(yàn)在這一階段選用BiLSTM 模型，模型結(jié)構(gòu)如圖5 所示。

圖5 BiLSTM 結(jié)構(gòu)

該試驗(yàn)使用BiLSTM 模型將上一步驟中ERNIE 預(yù)訓(xùn)練的輸出作為輸入，對其進(jìn)行正向LSTM 訓(xùn)練與反向LSTM 訓(xùn)練，分別獲得和2 個向量，再將這兩個向量拼接，這樣得到BiLSTM 輸出序列既能夠?qū)W習(xí)到文本中的歷史信息，又能夠?qū)W習(xí)到文本中的未來信息，比單獨(dú)的LSTM更加充分地提取文本特征。

2.3 CRF 層

如圖6 所示，通過BiLSTM 層處理后，并不能獲取標(biāo)簽出現(xiàn)順序等限制關(guān)系并且輸出的標(biāo)簽也不能組成完整的實(shí)體序列標(biāo)簽。所以還要在預(yù)測過程中引入各標(biāo)簽的限制關(guān)系。

圖6 BiLSTM 輸出標(biāo)簽

CRF 屬于一種概率化無向圖模型。利用CRF 可以在預(yù)測過程中引入標(biāo)簽之間的限制關(guān)系，以保證最后輸出標(biāo)簽的合理性[16]。具體做法是，假設(shè)X={x1，x2，…，xn}、y={y1，y2，…，yn}分別是BiLSTM 層輸入和對應(yīng)輸出的序列。計(jì)算標(biāo)簽序列得分的公式如下：

公式（7）中，W 是轉(zhuǎn)移矩陣，yi是xi對應(yīng)的輸出，yi+1是xi+1對應(yīng)的輸出，Wyi，yi+1是表示標(biāo)簽從yi轉(zhuǎn)移到y(tǒng)i+1的得分，Pi+1，yi+1表示輸入序列第i+1 個字對應(yīng)標(biāo)簽yi+1的得分。再對標(biāo)簽序列y 的概率進(jìn)行計(jì)算，計(jì)算公式如下：

公式（8）中，YX是一切可能標(biāo)簽組成的集合。計(jì)算出概率最大的標(biāo)簽集合，將其做為最終的輸出序列標(biāo)簽。

3 結(jié)果與分析

3.1 數(shù)據(jù)集

該試驗(yàn)涉及數(shù)據(jù)集為土壤肥力數(shù)據(jù)集。土壤肥力數(shù)據(jù)集是根據(jù)中國知網(wǎng)1980 年1 月至2021 年7 月間的學(xué)術(shù)期刊文獻(xiàn)，通過過濾條件“SU=（土壤）×（肥力+測土配方+土壤養(yǎng)分+全氮+全磷+全鉀+pH+有效磷+有效氮+有機(jī)質(zhì)+黏粒+砂粒+粉粒）NOT TI=（訂閱+訂購+征文+征稿+稿約+聲明+啟事+通知+須知+通訊+論文索引）”篩選出包含土壤肥力十大指標(biāo)數(shù)值的文獻(xiàn)，并存為UTF-8純文本格式。將其中地址、數(shù)值、關(guān)系進(jìn)行標(biāo)注。試驗(yàn)中，訓(xùn)練集使用720 條，驗(yàn)證集使用180 條，測試集使用90 條。

ERNIE-BiLSTM-CRF 模型在處理短文本命名實(shí)體識別上具有很大的優(yōu)勢，但是在處理長文本實(shí)體識別上效果就沒有那么好。～因此在試驗(yàn)前需要將大量的土壤肥力長文本進(jìn)行處理，提取出數(shù)據(jù)集長文本里對試驗(yàn)有用的語句，去除其中的無關(guān)語句。

假如有一段這樣表述的長文本：“試驗(yàn)地區(qū)選在安徽省長豐縣崗集鎮(zhèn)周山村，時(shí)間為2020 年，該區(qū)原土壤養(yǎng)分如表2。xxxxxx，xxxxx。由圖3 可知，試驗(yàn)處理后的土壤pH為5.01，處理之后pH 下降。”其中“xxxxxx，xxxxx”代表中間還有很多漢字。

通過這段長文本內(nèi)容，找到“安徽省長豐縣崗集鎮(zhèn)周山村”這種地址字符串，一直循環(huán)下去，直到找到最近的句號，立即停止，這樣就可以獲得“試驗(yàn)地區(qū)選在安徽省長豐縣崗集鎮(zhèn)周山村，時(shí)間為2020 年，該區(qū)原土壤養(yǎng)分如表2?！边@樣含有地址的文本。之后再循環(huán)剩余的句子，找到類似“5.01”這種數(shù)值字符串，同樣，在遇到句號立即停止循環(huán)，這樣循環(huán)得到最終的“由圖3 可知，試驗(yàn)處理后的土壤pH 為5.01，處理之后pH 下降。”這樣含有數(shù)值的文本。再將獲得的文本進(jìn)行拼接，得到一段新的短文本“試驗(yàn)地區(qū)選在安徽省長豐縣崗集鎮(zhèn)周山村，時(shí)間為2020 年，該區(qū)原土壤養(yǎng)分如表2。由圖3 可知，試驗(yàn)處理后的土壤pH 為5.01，處理之后pH 下降?！?/p>

通過上面的方法，可以將數(shù)據(jù)集中長文本處理為短文本，如表1 所示，與開始的長文本對比，去除了其中許多無用的文本，只提取其中與試驗(yàn)相關(guān)的短文本。再使用ERNIE-BiLSTM-CRF 模型進(jìn)行土壤肥力命名實(shí)體識別，極大地降低了長文本的干擾，提高試驗(yàn)的有效性。

表1 長文本處理后得到的短文本

3.2 試驗(yàn)環(huán)境與參數(shù)

該試驗(yàn)環(huán)境見下表2。

表2 試驗(yàn)環(huán)境

ERNIE-BiLSTM-CRF 模型參數(shù)設(shè)置見表3。

表3 模型參數(shù)

3.3 評價(jià)指標(biāo)

在該試驗(yàn)中，通過準(zhǔn)確率P、召回率R、F1值這3 個通用指標(biāo)評價(jià)土壤肥力命名實(shí)體識別的試驗(yàn)效果。3 種評價(jià)指標(biāo)越高，代表模型的準(zhǔn)確率、召回率和綜合性能越好。各評價(jià)指標(biāo)的計(jì)算公式為：

3.4 結(jié)果與分析

為了驗(yàn)證試驗(yàn)結(jié)果，通過長文本處理數(shù)據(jù)集后，再分別使用HMM 模型、CRF 模型、BiLSTM 模型、BiLSTM-CRF模型、ERNIE-BiLSTM-CRF 模型的土壤肥力命名實(shí)體識別實(shí)驗(yàn)，結(jié)果見表4。由試驗(yàn)結(jié)果數(shù)據(jù)可知，文中使用的ERNIE-BiLSTM-CRF 模型在正確率、召回率和F1值都高于其他幾個模型，并且分別達(dá)到92.85%、92.00%、92.59%，取得了均高于92%的數(shù)值，文中使用的ERNIE-BiLSTM-CRF模型在處理土壤肥力命名實(shí)體識別中有很大的優(yōu)勢。

表4 不同模型的試驗(yàn)結(jié)果

4 結(jié)語

針對傳統(tǒng)土壤肥力解析方法效率低、遷移能力差、長文本處理的問題，文中提出了ERNIE-BiLSTM-CRF 模型。為了達(dá)到更理想的土壤肥力命名實(shí)體識別，在使用模型前，將土壤肥力數(shù)據(jù)集中長文本處理為短文本。ERNIE-BiLSTM-CRF模型首先通過ERNIE 預(yù)訓(xùn)練模型生成基于上下文語義的字向量，提升了字向量的表征能力，再通過BiLSTM 層學(xué)習(xí)向量特征，最后通過CRF 層解碼得到最優(yōu)標(biāo)簽序列，提升土壤肥力命名實(shí)體識別的效果。文中模型處理了長文本命名實(shí)體識別問題，并且不需要人為制定相關(guān)規(guī)則、特征模板，實(shí)驗(yàn)結(jié)果取得了最高的F1值，為92.59%，能夠有效識別出土壤肥力的各種實(shí)體信息。本研究還利用本文提出的模型構(gòu)建土壤肥力知識圖譜，把分散的土壤肥力數(shù)據(jù)利用起來。下一步工作計(jì)劃，檢驗(yàn)文中模型在實(shí)際使用效果，根據(jù)使用情況進(jìn)一步改進(jìn)算法。另外持續(xù)地搜集新的土壤肥力數(shù)據(jù)，更新數(shù)據(jù)集，提供更加準(zhǔn)確的土壤肥力數(shù)據(jù)以及更加科學(xué)的施肥建議。