| |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
-> 人工智能 -> Named Entity Recognition之MRC Framework(1) -> 正文阅读 |
|
[人工智能]Named Entity Recognition之MRC Framework(1) |
?1. 解决问题解决Flat and Nested NER任务。传统解决方案:将NER看作是序列标注问题(sequence labeling problem),本文提出采用MRC框架(machine reading comprehension)来解决NER任务。 2. 主要思想本文中提出了采用MRC来解决NER问题,将提取实体标签被形式化为基于问题从上下文中抽取答案块。这样做的好处:
图1 实体嵌套 3. 方法论3.1 形式化表示设: X = {x1 , x2 , ..., xn },Y 表示所有可能的标签类型(例如: PER, LOC, 等),n 表示句子的长度,X 表示输入句子,目标是从 X 中找到每个实体,并给它们赋予标签y, y属于Y。 3.2 输入数据处理首先,将NER数据集标注转化为 (QUESTION, ANSWER, CONTEXT)元组。对于标签类型y属于Y, 它被分配一个问题qy = {q1, q2, ..., qm},m 表示问题的长度。一个标注实体xstart,end = {xstart , xstart+1 , · · · , xend-1 , xend }是 X 的子串,满足start <= end,并且被分配一个标签y。 图2 MRC中NER数据集单个句子标注表示? 3.3 问题产生问题生成过程很重要,因为问题编码了关于标签的先验知识,并且对最终结果有重大影响。在本论文中,作者以标注解释作为参考来构造问题。标注注释指南是数据集生成器向数据集注释者提供的指南。它们是标签类别的描述,描述得尽可能通用和精确,以便人类标注者可以在任何文本中注释概念或提及,而不会产生歧义。示例如图3所示。 ?图3 将问题转化为对应的问题描述的案例 ?不同类型query定义模型结果对比 query构造方式3.4 Model Backbone文中使用了BERT作为Backbone,对上下文X 和问题qy进行concat,形式如图4。 图4 Bert输入形式? 最终Bert输出是上下文表示向量,d是Bert最后一层的向量维度,于此同时drop掉了query representations。 3.5?Span Selection方法一:分别用两个n-class分类器来预测start和end的index,n表示上下文的长度。然后使用softmax function进行作用,这种策略的缺点是仅仅能够基于给定的query输出单个span。 方法二:分别使用两个binary classifiers分类器,第一个分类器用来预测每个token是否文start的index,第二个分类器来预测每个token是否为结束的index。 方法二相比方法一,能基于给定的query和context输出多个start和end的index,进而基于qy抽取出所有潜在的实体。本文采用第二种策略来抽取实体。 3.5.1?Start Index Prediction E: 表示Bert的输出矩阵,模型预测每个token是否为start index公式如图5,中每一行表示每个索引的概率分布。 图5 模型预测每个token是否为开始index方式? 3.5.2?End Index Prediction 每个token是否为结束index的预测公式同图5,但是引入了矩阵来获得概率矩阵。 3.5.3?Start-End Matching? 目的:利用3.5.1中预测的开始index和3.5.2中预测的结束index来匹配实体可能的开始或结束index,并计算他们能构成实体的概率。 实现方法: (1).对?的每一行应用argmax,从而获得可能的开始或结束的index,,具体公式如图6. 图6 开始和结束index索引的获取? 上标(i)表示矩阵的第i行。 (2)给定任意的和,a binary classification被训练来预测他们匹配的概率,公式如图7: 图7 预测任意开始index和结束index匹配的概率? ?3.6?Train and Test在训练阶段: 与两个标签序列的长度n代表作为任何实体的开始索引或结束索引的真实标签。因此,有如下两个损失函数,如图8: ?图8 实体开始index和结束index预测损失函数 另表示每个开始索引是否应与每个结束索引匹配的金色标签。开始和结束index匹配损失如图9: 图9 开始和结束匹配损失 ?整个训练损失如图10,对模型进行优化: ?图10 训练损失 ?在测试阶段: 首先根据分别选择开始索引和结束索引。然后使用索引匹配模型将提取的起始索引与结束索引对齐,从而得到最终的提取答案。 4. 模型对比在Nested Ner Datasets上对比: ?在Flat NER Datasets对比 5. 总结在本文中,将NER任务重新定义为MRC问答任务。这种形式化有两个关键优势
|
|
|
上一篇文章 下一篇文章 查看所有文章 |
|
开发:
C++知识库
Java知识库
JavaScript
Python
PHP知识库
人工智能
区块链
大数据
移动开发
嵌入式
开发工具
数据结构与算法
开发测试
游戏开发
网络协议
系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程 数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁 |
360图书馆 购物 三丰科技 阅读网 日历 万年历 2025年1日历 | -2025/1/9 15:40:05- |
|
网站联系: qq:121756557 email:121756557@qq.com IT数码 |