命名实体识别的一点经验与技巧(下)

3.2 如何积累语料

3.2.1 寻找开源数据

百度和谷歌直接搜，可以找到很多NER的资源。顺便还能找到问答等任务的数据。

Github里的兄弟姐妹们是共产主义的先锋，经常会把代码和数据一块分享出来。我们需要更多这样的人。

知乎里有很多NLP方面的爱好者，乐于分享自己了解的内容和数据。如果搜索一下，知乎也能提供相关的数据集信息。

3.2.2 买数据

买数据是一种短平快的积累手段。目前为止我还没有干过，原因如图3-1。

图3-1 不买数据原因示意图

当然了，公司有实力，有需要就会买。这时候就可以愉快地开始建模了。

3.2.3 自己动手，丰衣足食

NER语料标注需要一个趁手的工具才能保证效率。之前调研过一个开源的，叫做doccano，安装比较简单、用起来很顺手。

四、数据预处理的一点经验

4.1 标签体系规范化

目前允许开放获取的NER语料，使用的标签体系不是统一的，有的是BIO，有的是BIOES，有的采用了类似词性标注的标记方式。因此需要做细致的标签体系规范化工作。比如《人民日报》的语料，虽然是一个词性标注语料，但是里面的若干词性实际上就是命名实体，我们可以基于词性和实体类型的映射、完成转换。该语料存在大量合成词作为命名实体的情况，以及命名体识嵌套的情况，都需要根据需求做专门的处理。

4.2 去重

我找了一堆开放获取的数据，而大家也通常是从其他渠道找到的这些数据，里面不可避免的有一些重复的情况。如果你的数据里存在重复，意味着测试集里很有可能混杂了训练集里的样本——测试得到的各项指标会虚高。这会导致模型上线的时候，实际效果比预想的差很多，而我们还很难找出原因、只能挠头。

一定要做好去重工作，以句为单位对语料进行排重。我们可以将句子切分成ngram，然后用余弦相似度或者杰卡德相似度，判断两个句子是否相似。由于句子数量较多，可以使用一个以ngram为key、句子列表为value的倒排索引来辅助减少计算量。

4.3 数据扩增

4.3.1 文本数据扩增的困难

做CV的同志们真是幸福。我们可以用规则、基于几十张图片，生成上万张图片，让模型好好学习。我能理解的原因主要有3个：（1）图像是对真实世界的一种比较直接的描述方式，信息的损失量比较小的同时，人可以基于自己的视觉经验对图像做各种各样的变换；（2）图像数据具有比较强的空间相关性，我们施加的变换不会完全破幻这种相关性，比如“大黄”变成“大蓝”，它还是一条狗。

做NLP的同志们就稍微惨一些：（1）语言是人类用人造的离散符号，对世界的一种描述，信息量损失很大；（2）一般来说，语言只有一个维度上存在相关性，而这种相关性比较纠结、是语法上的相关(破坏句子结构的变换一般人接受不了)。这导致我们可以对文本数据施加的变换，比较少。常见的方法有几个:(1)同义词替换；（2）回译；（3）随机增删词语。

4.3.2 同义词替换

语言学家对同义词的定义是：用A词语替换句子中的B词语，句子的语义和句法结构不发生改变，那么A和B就是同义词。因此，我们可以收集一个命名实体之间的同义关系数据，然后做各种替换，就可以得到一些新的数据。

另外，通常来说，相同类型的实体名称在句子结构中的作用是一样的。比如“我今天要去天安门看升国旗”，改为“我今天要去黄山看升国旗”，句子仍然是合法的，只是语义有所变化(有时候还会出现不合常理的句子)。用这种方式，我们也可以得到一些新数据。

4.3.3 回译

最近几年机器翻译做的越来越好了，有人想到另一种扩增语料的办法：先把中文翻译成英文，然后在把英文翻译回中文。这样也可以得到新的语料。比如说“我要去北京,吃那里的烤鸭”，会被翻译成“I’m going to Beijing to eat roast duck”，然后回译为“我要去北京吃烤鸭”。

4.3.4 随机增删字词

我们说话或者写作的时候，经常会出错。比如我打字的时候会打出错别字而没有检查出来，写了一句“我腰去北京，吃那里的烤鸭”。我们需要NER模型对这些错误有一定的鲁棒性，可以在文本有噪声的情况下，可以正确判断句子里的实体。

这时候，我们可以从训练集中，随机抽取出来一些句子，对里面的字词进行随机增删改，然后把这样的错误样本添加到训练集中。是的，加一点噪声。

五、建模的一点经验

5.1 如何选择算法或者模型

如果有业务场景对应的词表，直接上“分词+词典匹配”的方案即可；如果有一定量的标注数据，可以用CRF;如果有钱有人、标注数据量比较大，那就试一下深度学习。

5.2 模型效果的评价

NER任务的目标，通常是“尽量发现所有的命名实体，发现的命名实体要尽量纯净”，也就是要求查全率和查准率比较高。当然，场景也有可能要求其中一项要非常高。

需要注意的是，这里统计recall和precision的时候，对象是命名实体，而不是单个标签。以表5-1所示计算结果为例，我们把“北京”标记成了“SS”，“北”和“京”是两个命名实体，这是错误的；“天安门”和“毛”的标签是正确的——因此，这句话中，模型的召回率是：

精度是：

表5-1 NER任务的真实标签和预测标签对比

5.3 如何判定模型结构有效

用全量训练数据之前，一定要先用一份较小的数据(比如测试数据)，训练模型——看一下模型会不会过拟合，甚至记住所有的样本。如果模型不能过拟合，说明参数不能收敛，也就是模型无法从数据中学习到东西。这时候我们需要检查一下模型结构和数据，看看那里出了问题。

开始用全量数据后，我们还会遇到各种各样的问题，这里列几个常见的症状和原因，如表5-2。

表5-2 模型常见症状

六、结束语

做NER的过程中，比较消耗精力的环节是数据采集和预处理。采集数据需要耐心地持续进行；而数据预处理需要细心，并根据bad case不断纠错。在这个过程中，倒排索引、栈、字符串、递归等数据结构和算法，对工作的帮助很大。作为一个转行到数据科学领域的工程师，我切实意识到了数据结构的价值、计划系统地学一遍。

另外，在学习NER相关内容的过程中，我开始看语言学和计算语言学的相关内容，也意识到语言学的理论和方法对工程师来说，是非常有助益的。比如，许嘉璐和傅永和主编的《中文信息处理：现代汉语词汇研究》，里面的内容比较深、使用的方法比较简单，可以作为科普读物、挑着看。这些学者的工作还是挺扎实的，对NLP的发展推动很大。Frederick Jelinek说的“每当我开除一个语言学家，语音识别系统就更准了”，我觉的是带有偏见的玩笑话，不足为训。