Bi-LSTM-CRF命名实体识别实战

一、数据集介绍

本项目的数据集来自于天池——基于糖尿病临床指南和研究论文的实体标注构建（瑞金医院MMC人工智能辅助构建知识图谱大赛第一赛季）。即提供与糖尿病相关的学术论文以及糖尿病临床指南，要求在学术论文和临床指南的基础上，做实体的标注。实体类别共十五类。

类别名称和定义

疾病相关：

1、疾病名称 (Disease)，如I型糖尿病。

2、病因(Reason)，疾病的成因、危险因素及机制。比如“糖尿病是由于胰岛素抵抗导致”，胰岛素抵抗是属于病因。

3、临床表现 (Symptom)，包括症状、体征，病人直接表现出来的和需要医生进行查体得出来的判断。如"头晕" "便血" 等。

4、检查方法(Test)，包括实验室检查方法，影像学检查方法，辅助试验，对于疾病有诊断及鉴别意义的项目等，如甘油三酯。

5、检查指标值(Test_Value)，指标的具体数值，阴性阳性，有无，增减，高低等，如”>11.3 mmol/L”。

治疗相关：

6、药品名称(Drug)，包括常规用药及化疗用药，比如胰岛素。

7、用药频率(Frequency)，包括用药的频率和症状的频率，比如一天两次。

8、用药剂量（Amount），比如500mg/d。

9、用药方法（Method）：比如早晚，餐前餐后，口服，静脉注射，吸入等。

10、非药治疗(Treatment)，在医院环境下进行的非药物性治疗，包括放疗，中医治疗方法等，比如推拿、按摩、针灸、理疗，不包括饮食、运动、营养等。

11、手术（Operation），包括手术名称，如代谢手术等。

12、不良反应（SideEff），用药后的不良反应。

常规实体：

13、部位（Anatomy），包括解剖部位和生物组织，比如人体各个部位和器官，胰岛细胞。

14、程度（level），包括病情严重程度，治疗后缓解程度等。

15、持续时间(Duration)，包括症状持续时间，用药持续时间，如“头晕一周”的“一周”。

链接：https://tianchi.aliyun.com/competition/entrance/231687/information

 

二、Bi-LSTM-CRF模型介绍

（一）Bi-LSTM

RNN为循环神经网络（Recurrent Neural Network），与全连接网络的不同之处是其隐藏层之间是有连接的，即每一时刻的输出都跟当前时刻的输入和上一时刻的输出有关，由于其具有记忆特性，可以处理前后输入有关系的序列数据。

LSTM为长短期记忆网络（Long-Short Term Memory），作为一种改进之后的RNN，LSTM的cell代替了普通RNN的隐单元，通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息。相比普通的RNN，LSTM能够在更长的序列中有更好的表现，解决RNN在长序列训练过程中的梯度消失和梯度爆炸问题。

Bi-LSTM为双向长短时记忆网络（Bi-directional Long-Short Term Memory）。LSTM对句子进行建模还存在一个问题：无法编码从后到前的信息。实际应用中，网络输出可能依赖于整个输入序列。Bi-LSTM是由前向LSTM与后向LSTM组合而成，通过Bi-LSTM可以更好的捕捉双向的语义依赖。

（二）CRF

CRF为条件随机场（Conditional Random Field），属于判别式概率图模型。CRF能够在已知观测变量序列的条件下，标记序列发生的概率。在该项任务中，观测序列为单词序列，标记序列为对应的词性序列，标记序列具有线性的序列结构。

Bi-LSTM的优点是能够通过双向的设置学习到观测序列（输入的字）之间的依赖，在训练过程中，LSTM能够根据目标（比如识别实体）自动提取观测序列的特征，但是缺点是无法学习到标记序列（输出的标注）之间的关系。在命名实体识别任务中，标注之间是有一定的关系的，比如B类标注（表示某实体的开头）后面不会再接一个B类标注，所以LSTM在解决NER这类序列标注任务时，虽然可以省去很繁杂的特征工程，但是也存在无法学习到标注上下文的缺点。

相反，CRF的优点就是能对标记序列建模，学习标记序列的特点，但它的缺点是需要手动提取观测序列特征。所以一般的做法是，在LSTM后面再加一层CRF，以获得两者的优点。

三、实战

（一）环境

Python 3.7.3

Tensorflow 2.1.0

（二）代码

1.数据处理

数据有两种文件*.txt和*.ann，*.txt文件为原始文档，*.ann文件为标注信息，标注实体以T开头，后接实体序号，实体类别，起始位置和实体对应的文档中的词。

*.txt文件的内容为：

...

糖控制水平的公认指标,但应该控制的理想水平即目

标值究竟是多少还存在争议。糖尿病控制与并发症试

验(DCCT,1993)、熊本(Kumamoto,1995)、英国前瞻性

糖尿病研究(UKPDS,1998)等高质量临床研究已经证

实,对新诊断的糖尿病患者或病情较轻的患者进行严

...

*.ann的内容为：

T1    Disease 1845 1850    1型糖尿病

T2    Disease 1983 1988    1型糖尿病

....

文字处理：

（1）讲*.txt文件中段落，按"。"句号切割，一共得到26869个句子，并划分训练集和测试集。

（2）讲数字按照"0"处理，增加识别新知识的能力。

（3）形成汉字对应序号的字典，字典中，<PAD>由0表示，<UNK>由1表示，将段落中没出现在字典中的字用<UNK>表示。

（4）将每个句子分别做分字处理，用字向量表示，字向量为字在字典中的序号构成的列表。处理后形成train_char列表。

（4）将每个句子用jieba分词工具做分词处理，用词向量表示，词向量为0、1、2、3构成的向量，0表示单字，1表示词的起始字，3表示词的终止字，2表示词的中间字。处理后形成train_seg列表。

标注处理：

BIOES标注含义，B，即Begin，表示开始；I，即Intermediate，表示中间；E，即End，表示结尾；S，即Single，表示单个字符；O，即Other，表示其他，用于标记无关字符。

（1）形成十五类标注对应的缩写的字典：

 'Level': 'LEV',

 'Test_Value': 'TSV',

 'Test': 'TES',

...

 （2）形成BIOES标注对应数字序号的字典和数字序号对应BIOES标注的字典，共有58种不同的标注方式：

0:O

1:I-TES

2:I-DIS

...

O:0

I-TES:1

I-DIS:2

...

（3）将每个句子的BIOES标注通过字典映射为序号构成的列表。处理后形成train_seg数组。

2.数据截断、补全

train_char_ = tf.keras.preprocessing.sequence.pad_sequences(train_char, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)
train_seg_ = tf.keras.preprocessing.sequence.pad_sequences(train_seg, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)
train_target_ = tf.keras.preprocessing.sequence.pad_sequences(train_target, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)
 
test_char_ = tf.keras.preprocessing.sequence.pad_sequences(test_char, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)
test_seg_ = tf.keras.preprocessing.sequence.pad_sequences(test_seg, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)
test_target_ = tf.keras.preprocessing.sequence.pad_sequences(test_target, maxlen=maxlen,
                                                      padding='pre',truncating='pre',value=0.0)

3.模型构建

（1）输入层

设置两个输入层，输入层1为字向量信息，[batch_size, maxlen] -> [batch_size, maxlen]，输入层2为词向量信息，[batch_size, maxlen] -> [batch_size, maxlen]，每个句子固定maxlen个词，上述取1000。

（2）Embedding层（Embedding）

对应两个输入层，设置两个Embedding层，其中字向量对应的字嵌入层为[batch_size, maxlen] -> [batch_size, maxlen, char_embedding_dims]，将字进行char_embedding_dims长度的编码，char_embedding_dims上述取100；词向量对应的词嵌入层为[batch_size, maxlen] -> [batch_size, maxlen, seg_embedding_dims]，将词进行char_embedding_dims长度的编码，char_embedding_dims上述取20。

（3）拼接（Concatenate）

取字嵌入层和词嵌入层最后一维拼接起来，得到输出维度为[batch_size, maxlen, 120]。

（4）Bi-LSTM层（Bidirectional-LSTM）

叠加两层双向LSTM层，激活函数分别为tanh和softmax，得到输出维度为[batch_size, maxlen, 58]，即58种不同的标注方式的预测分值。

（5）CRF层（CRF）

CRF层中的损失函数包括两种类型的分数，一是Emission Score，发射分数（状态分数），这些状态分数来自Bi-LSTM层的输出，即每个位置是各个标签的预测分值，是一个maxlen×58的矩阵；二是Transition Score，转移分数，即标签间的转移分数，是一个58*58的矩阵。

某个序列的分数si=Emission Score + Transition Score，

我们的训练目标通常是最小化损失函数，定义对数损失函数：

Bi-LSTM之上的CRF与普通CRF的区别：普通CRF的样本概率受特征函数和相关权值的影响，而Bi-LSTM上的CRF则没有特征函数，也没有权值，结果受Bi-LSTM层输出的各个位置标签概率，以及标签间的状态转移矩阵影响。对于Bi-LSTM+CRF的CRF层来说，要学习的就只有标签间状态转移矩阵而已。

根据tensorflow中的CRF.py，crf_log_likelihood函数输出的transition_params，就是要求解的状态转移矩阵。viterbi_decode(score, transition_params)，就是通过Bi-LSTM的输出score和求解的状态转移矩阵transition_params来解码最终结果。

viterbi（维特比）算法是动态规划算法，每个子部分只存储最优子路径。其在计算过程中，有两类变量：obs 和 previous。previous存储的是上一个步骤的最终结果，即上一个单词对应各类别的最佳路径得分，obs代表当前单词包含的信息（发射分数）。有两个变量来储存历史信息，alpha0 和 alpha1，alpha0 是历史最佳的分数 ，alpha1 是最佳分数所对应的类别索引。最后一步，根据alpha0和alpha1存储的信息用来找到最佳路径。

得到输出维度为[batch_size, maxlen]

import tensorflow as tf
import tensorflow_addons as tfa
import numpy as np
import tqdm
from tensorflow.keras.models import Sequential
from tensorflow.keras.callbacks import TensorBoard
from CRF import CRF
 
 
# from CRF import CRF
 
class MyBiLSTMCRF:
    def __init__(self, vocabSize, maxlen, tagIndexDict, tagSum, sequence_lengths=None):
        self.vocabSize = vocabSize
        self.maxlen = maxlen
        self.tagSum = tagSum
        self.sequence_lengths = sequence_lengths
        self.tagIndexDict = tagIndexDict
        self.vecSize = 100
        self.segSize = 20
 
        self.buildBiLSTMCRF()
 
    def getTransParam(self, y, tagIndexDict):
        self.trainY = np.argmax(y, axis=-1)
        yList = self.trainY.tolist()
        transParam = np.zeros([len(list(tagIndexDict.keys())), len(list(tagIndexDict.keys()))])
        for rowI in range(len(yList)):
            for colI in range(len(yList[rowI]) - 1):
                transParam[yList[rowI][colI]][yList[rowI][colI + 1]] += 1
        for rowI in range(transParam.shape[0]):
            transParam[rowI] = transParam[rowI] / np.sum(transParam[rowI])
        return transParam
 
    def buildBiLSTMCRF(self):
 
        input_1 = tf.keras.layers.Input(shape=(self.maxlen,), name='char')
        input_2 = tf.keras.layers.Input(shape=(self.maxlen,), name='seg')
        eb_1 = tf.keras.layers.Embedding(self.vocabSize, self.vecSize)(input_1)
        eb_2 = tf.keras.layers.Embedding(4, self.segSize)(input_2)
        concat = tf.keras.layers.Concatenate()([eb_1, eb_2])
        
        x = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(
            self.tagSum, return_sequences=True, activation="tanh"), merge_mode='sum')(concat)
 
        x = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(
            self.tagSum, return_sequences=True, activation="softmax"), merge_mode='sum')(x)
        crf = CRF(self.tagSum, name='crf_layer')
        output = crf(x)
        myModel = tf.keras.models.Model([input_1, input_2], output)
        myModel.compile('adam', loss={'crf_layer': crf.get_loss})
        self.myBiLSTMCRF = myModel
 
    def fit(self,X, y, epochs=100, transParam=None):
        if len(y.shape) == 3:
            y = np.argmax(y, axis=-1)
        if self.sequence_lengths is None:
            self.sequence_lengths = [row.shape[0] for row in y]
        log_dir = "logs"
        tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1)
 
        history = self.myBiLSTMCRF.fit(X, y, epochs=epochs, callbacks=[tensorboard_callback])
 
        return history
 
    def predict(self, X):
        preYArr = self.myBiLSTMCRF.predict(X)
        return preYArr