中文命名实体识别

本文通过people_daily_ner数据集，介绍两段式训练过程，第一阶段是训练下游任务模型，第二阶段是联合训练下游任务模型和预训练模型，来实现中文命名实体识别任务。

一.任务和数据集介绍
1.命名实体识别任务
NER（Named Entity Recognition）和Pos（Part-of-Speech）是2类典型的标记分类问题。NER是信息抽取基础，识别文本中的实体（比如人名、地点、组织结构名等），本质就是预测每个字对应的标记。DL兴起前，主要是HMM和CRF等模型，现在基本是DL模型。可根据需要设置标注方式，常见方式有BIO、BIESO等。NER数据样例如下所示：

2.数据集介绍
本文使用中文命名实体识别数据集people_daily_ner，样例数据如下所示：

people_daily_ner数据集标签对照表如下所示：

• O：表示不属于一个命名实体。
• B-PER：表示人名的开始。
• I-PER：表示人名的中间和结尾部分。
• B-ORG：表示组织机构名的开始。
• I-ORG：表示组织机构名的中间和结尾部分。
• B-LOC：表示地名的开始。
• I-LOC：表示地名的中间和结尾部分。

3.模型架构
本文使用hfl/rbt3模型[2]，参数量约3800万。基本思路为使用一个预训练模型从文本中抽取数据特征，再对每个字的数据特征做分类任务，最终得到和原文一一对应的标签序列（BIO）。

二.准备数据集
1.使用编码工具
使用hfl/rbt3编码器编码工具如下所示：

defload_encode_tool(pretrained_model_name_or_path):
"""
加载编码工具
"""
tokenizer=AutoTokenizer.from_pretrained(Path(f'{pretrained_model_name_or_path}'))
returntokenizer
if__name__=='__main__':
#测试编码工具
pretrained_model_name_or_path=r'L:/20230713_HuggingFaceModel/rbt3'
tokenizer=load_encode_tool(pretrained_model_name_or_path)
print(tokenizer)
#测试编码句子
out=tokenizer.batch_encode_plus(
batch_text_or_text_pairs=[
['海','钓','比','赛','地','点','在','厦','门','与','金','门','之','间','的','海','域','。'],
['这','座','依','山','傍','水','的','博','物','馆','由','国','内','′','一','流','的','设','计','师','主','持','设','计','。']],
truncation=True,#截断
padding='max_length',#[PAD]
max_length=20,#最大长度
return_tensors='pt',#返回pytorch张量
is_split_into_words=True#按词切分
)
#查看编码输出
fork,vinout.items():
print(k,v.shape)
#将编码还原为句子
print(tokenizer.decode(out['input_ids'][0]))
print(tokenizer.decode(out['input_ids'][1]))

输出结果如下所示：

BertTokenizerFast(name_or_path='L:20230713_HuggingFaceModelrbt3',vocab_size=21128,model_max_length=1000000000000000019884624838656,is_fast=True,padding_side='right',truncation_side='right',special_tokens={'unk_token':'[UNK]','sep_token':'[SEP]','pad_token':'[PAD]','cls_token':'[CLS]','mask_token':'[MASK]'},clean_up_tokenization_spaces=True)
input_idstorch.Size([2,20])
token_type_idstorch.Size([2,20])
attention_masktorch.Size([2,20])
[CLS]海钓比赛地点在厦门与金门之间的海域。[SEP]
[CLS]这座依山傍水的博物馆由国内一流的设计[SEP]

需要说明参数is_split_into_words=True让编码器跳过分词步骤，即告诉编码器输入句子是分好词的，不用再进行分词。

2.定义数据集
定义数据集代码如下所示：

classDataset(torch.utils.data.Dataset):
def__init__(self,split):
#在线加载数据集
#dataset=load_dataset(path='people_daily_ner',split=split)
#dataset.save_to_disk(dataset_dict_path='L:/20230713_HuggingFaceModel/peoples_daily_ner')
#离线加载数据集
dataset=load_from_disk(dataset_path='L:/20230713_HuggingFaceModel/peoples_daily_ner')[split]
#print(dataset.features['ner_tags'].feature.num_classes)#7
#print(dataset.fea服务器托管网tures['ner_tags'].feature.names)#['O','B-PER','I-PER','B-ORG','I-ORG','B-LOC','I-LOC']
self.dataset=dataset

def__len__(self):
returnlen(self.dataset)

def__getitem__(self,i):
tokens=self.dataset[i]['tokens']
labels=self.dataset[i]['ner_tags']
returntokens,labels
if__name__=='__main__':
#测试编码工具
pretrained_model_name_or_path=r'L:/20230713_HuggingFaceModel/rbt3'
tokenizer=load_encode_tool(pretrained_model_name_or_path)
#加载数据集
dataset=Dataset('train')
tokens,labels=dataset[0]
print(tokens,labels,dataset)
print(len(dataset))

输出结果如下所示：

['海','钓','比','赛','地','点','在','厦','门','与','金','门','之','间','的','海','域','。'][0,0,0,0,0,0,0,5,6,0,5,6,0,0,0,0,0,0]
20865

其中，20865表示训练数据集的大小。在people_daily_ner数据集中，每条数据包括两个字段，即tokens和ner_tags，分别代表句子和标签，在__getitem__()函数中把这两个字段取出并返回即可。

3.定义计算设备

device='cpu'
iftorch.cuda.is_available():
device='cuda'
print(device)

4.定义数据整理函数

defcollate_fn(data):
tokens=[i[0]foriindata]
labels=[i[1]foriindata]
inputs=tokenizer.batch_encode_plus(tokens,#文本列表
truncation=True,#截断
padding=True,#[PAD]
max_length=512,#最大长度
return_tensors='pt',#返回pytorch张量
is_split_into_words=True)#分词完成，无需再次分词
#求一批数据中最长的句子长度
lens=inputs['input_ids'].shape[1]
#在labels的头尾补充7，把所有的labels补充成统一的长度
foriinrange(len(labels)):
labels[i]=[7]+labels[i]
labels[i]+=[7]*lens
labels[i]=labels[i][:lens]
#把编码结果移动到计算设备上
fork,vininputs.items():
inputs[k]=v.to(device)
#把统一长度的labels组装成矩阵，移动到计算设备上
labels=torch.tensor(labels).to(device)
returninputs,labels

形参data表示一批数据，主要是对句子和标签进行编码，这里会涉及到一个填充的问题。标签的开头和尾部填充7，因为0-6都有物理意义），而句子开头会被插入[CLS]标签。无论是句子还是标签，最终都被转换为矩阵。测试数据整理函数如下所示：

data=[
(
['海','钓','比','赛','地','点','在','厦','门','与','金','门','之','间','的','海','域','。'],[0,0,0,0,0,0,0,5,6,0,5,6,0,0,0,0,0,0]
),
(
['这','座','依','山','傍','水','的','博','物','馆','由','国','内','一','流','的','设','计','师','主','持','设','计',',','整','个','建','筑','群','精','美','而','恢','宏','。'],
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
)]
inputs,labels=collate_fn(data)
fork,vininputs.items():
print(k,v.shape)
print('labels',labels.shape)

输出结果如下所示：

input_idstorch.Size([2,37])
token_type_idstorch.Size([2,37])
attention_masktorch.Size([2,37])
labelstorch.Size([2,37])

5.定义数据集加载器

loader=torch.utils.data.DataLoader(dataset=dataset,batch_size=16,collate_fn=collate_fn,shuffle=True,drop_last=True)

通过数据集加载器查看一批样例数据，如下所示：

fori,(inputs,labels)inenumerate(loader):
break
print(tokenizer.decode(inputs['input_ids'][0]))
print(labels[0])
fork,vininputs.items():
print(k,v.shape)

输出结果如下所示：

[CLS]这种输液器不必再悬吊药瓶，改用气压推动液体流动，自闭防回流，安全、简便、抗污染，堪称输液器历史上的一次革命。[SEP][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD][PAD]
tensor([7,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,
7,7,7,7,7,7,7,7,7,7,7,7,7,7,7],device='cuda:0')
input_idstorch.Size([16,87])
token_type_idstorch.Size([16,87])
attention_masktorch.Size([16,87])

三.定义模型
1.加载预训练模型

#加载预训练模型
pretrained=AutoModel.from_pretrained(Path(f'{pretrained_model_name_or_path}'))
#统计参数量
#print(sum(i.numel()foriinpretrained.parameters())/10000)
#测试预训练模型
pretrained.to(device)

2.定义下游任务模型
先介绍一个两段式训练的概念，通常是先单独对下游任务模型进行训练，然后再连同预训练模型和下游任务模型一起进行训练的模式。

classModel(torch.nn.Module):
def__init__(self):
super().__init__()
#标识当前模型是否处于tuning模式
self.tuning=False
#当处于tuning模式时backbone应该属于当前模型的一部分，否则该变量为空
self.pretrained=None
#当前模型的神经网络层
self.rnn=torch.nn.GRU(input_size=768,hidden_size=768,batch_first=True)
self.fc=torch.nn.Linear(in_features=768,out_features=8)

defforward(self,inputs):
#根据当前模型是否处于tuning模式而使用外部backbone或内部backbone计算
ifself.tuning:
out=self.pretrained(**inputs).last_hidden_state
else:
withtorch.no_grad():
out=pretrained(**inputs).last_hidden_state
#backbone抽取的特征输入RNN网络进一步抽取特征
out,_=self.rnn(out)
#RNN网络抽取的特征最后输入FC神经网络分类
out=self.fc(out).softmax(dim=2)
returnout

#切换下游任务模型的tuning模式
deffine_tuning(self,tuning):
self.tuning=tuning
#tuning模式时，训练backbone的参数
iftuning:
foriinpretrained.parameters():
i.requires_grad=True
pretrained.train()
self.pretrained=pretrained
#非tuning模式时，不训练backbone的参数
else:
foriinpretrained.parameters():
i.requires_grad_(False)
pretrained.eval()
self.pretrained=None

（1）tuning表示当前模型是否处于微调模型，pretrained表示微调模式时预训练模型属于当前模型。
（2）在__init__()中定义了下游任务模型的2个层，分别为GRU网络和全连接神经网络层，GRU作用是进一步抽取特征，提高模型预测正确率。
（3）fine_tuning()用来切换训练模式pretrained.train()和评估模式pretrained.eval()。

四.训练和测试
1.模型训练

deftrain(epochs):
lr=2e-5ifmodel.tuningelse5e-4#根据模型的tuning模式设置学习率
optimizer=AdamW(model.parameters(),lr=lr)#优化器
criterion=torch.nn.CrossEntropyLoss()#损失函数
scheduler=get_scheduler(name='linear',num_warmup_steps=0,num_training_steps=len(loader)*epochs,optimizer=optimizer)#学习率衰减策略
model.train()
forepochinrange(epochs):
forstep,(inputs,labels)inenumerate(loader):
#模型计算
#[b,lens]->[b,lens,8]
outs=model(inputs)
#对outs和labels变形，并且移除PAD
#outs->[b,lens,8]->[c,8]
#labels->[b,lens]->[c]
outs,labels=reshape_and_remove_pad(outs,labels,inputs['attention_mask'])
#梯度下降
loss=criterion(outs,labels)#计算损失
loss.backward()#反向传播
optimizer.step()#更新参数
scheduler.step()#更新学习率
optimizer.zero_grad()#清空梯度
ifstep%(len(loader)*epochs//30)==0:
counts=get_correct_and_total_count(labels,outs)
accuracy=counts[0]/counts[1]
accuracy_content=counts[2]/counts[3]
lr=optimizer.state_dict()['param_groups'][0]['lr']
print(epoch,step,loss.item(),lr,accuracy,accuracy_content)
torch.save(model,'model/中文命名实体识别.model')

训练过程基本步骤如下所示：
（1）从数据集加载器中获取一个批次的数据。
（2）让模型计算预测结果。
（2）使用工具函数对预测结果和labels进行变形，移除预测结果和labels中的PAD。
（4）计算loss并执行梯度下降优化模型参数。
（5）每隔一定的steps，输出一次模型当前的各项数据，便于观察。
（6）每训练完一个epoch，将模型的参数保存到磁盘。
接下来介绍两段式训练过程，第一阶段是训练下游任务模型，第二阶段是联合训练下游任务模型和预训练模型如下所示：

#两段式训练第一阶段，训练下游任务模型
model.fine_tuning(False)
#print(sum(p.numel()forpinmodel.parameters()/10000))
train(1)

#两段式训练第二阶段，联合训练下游任务模型和预训练模型
model.fine_tuning(True)
#print(sum(p.numel()forpinmodel.parameters()/10000))
train(5)

2.模型测试
模型测试基本思路：从磁盘加载模型，然后切换到评估模式，将模型移动到计算设备，从测试集中取批次数据，输入模型中，统计正确率。

deftest():
#加载训练完的模型
model_load=torch.load('model/中文命名实体识别.model')
model_load.eval()#切换到评估模式
model_load.to(device)
#测试数据集加载器
loader_test=torch.utils.data.DataLoader(dataset=Dataset('validation'),batch_size=128,collate_fn=collate_fn,shuffle=True,drop_last=True)
correct=0
total=0
correct_content=0
total_content=0
#遍历测试数据集
forstep,(inputs,labels)inenumerate(loader_test):
#测试5个批次即可，不用全部遍历
ifstep==5:
break
print(step)
#计算
withtorch.no_grad():
#[b,lens]->[b,lens,8]->[b,lens]
outs=model_load(inputs服务器托管网)
#对outs和labels变形，并且移除PAD
#fouts->[b,lens,8]->[c,8]
#labels->[b,lens]->[c]
outs,labels=reshape_and_remove_pad(outs,labels,inputs['attention_mask'])
#统计正确数量
counts=get_correct_and_total_count(labels,outs)
correct+=counts[0]
total+=counts[1]
correct_content+=counts[2]
total_content+=counts[3]
print(correct/total,correct_content/total_content)

3.预测任务

defpredict():
#加载模型
model_load=torch.load('model/中文命名实体识别.model')
model_load.eval()
model_load.to(device)
#测试数据集加载器
loader_test=torch.utils.data.DataLoader(dataset=Dataset('validation'),batch_size=32,collate_fn=collate_fn,shuffle=True,drop_last=True)
#取一个批次的数据
fori,(inputs,labels)inenumerate(loader_test):
break
#计算
withtorch.no_grad():
#[b,lens]->[b,lens,8]->[b,lens]
outs=model_load(inputs).argmax(dim=2)
foriinrange(32):
#移除PAD
select=inputs['attention_mask'][i]==1
input_id=inputs['input_ids'][i,select]
out=outs[i,select]
label=labels[i,select]
#输出原句子
print(tokenizer.decode(input_id).replace('',''))
#输出tag
fortagin[label,out]:
s=''
forjinrange(len(tag)):
iftag[j]==0:
s+='.'
continue
s+=tokenizer.decode(input_id[j])
s+=str(tag[j].item())
print(s)
print('=====================')

参考文献：
[1]HuggingFace自然语言处理详解：基于BERT中文模型的任务实战
[2]https://huggingface.co/hfl/rbt3
[3]https://huggingface.co/datasets/peoples_daily_ner/tree/main
[4]https://github.com/OYE93/Chinese-NLP-Corpus/
[5]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第10章：中文命名实体识别.py