论文阅读《Bidirectional LSTM-CRF Models for Sequence Tagging》_bi-lstm论文原文

论文地址：《Bidirectional LSTM-CRF Models for Sequence Tagging》

论文阅读

研究背景

序列标记包括部分语音标记(POS)、分块和命名实体识别(NER)，一直是一项经典的NLP任务。现有的序列标记模型大多是线性统计模型，其中包括隐马尔可夫模型(HMM)、最大熵马尔可夫模型(MEMMs）和条件随机场(CRF)。以及基于卷积网络的模型被提出来解决序列标记问题。本文首次将BI-LSTM-CRF模型应用于NLP基准序列标记数据集。

BI-LSTM-CRF 网络

将一个双向的LSTM网络和一个CRF网络结合起来，形成了一个BI-LSTM-CRF网络。除了LSTM-CRF模型中过去使用的输入特征和句子级标签信息外，BI-LSTM-CRF模型还可以使用未来的输入特征。这些额外的特征可以提高标记的准确性。

训练流程

对于每个batch，首先运行双向LSTM-CRF模型正向传递，其中包括LSTM的正向状态和向后状态的正向传递。得到了在所有位置上的所有标签的输出分数（发射矩阵）。然后，我们运行CRF层向前和向后传递来计算网络输出和状态转换边缘的梯度（转移矩阵）。在此之后，我们可以将错误从输出反向传播到输入，其中包括LSTM的正向状态和反向状态的反向传递。最后，更新了网络参数。

实验

（1） 数据：在三个NLP标记任务中使用的数据集为，Penn TreeBank (PTB) 词性标注,
CoNLL 2000 分块,和 CoNLL 2003 命名实体识别。

（2）特征：为三个数据集提取相同类型的特征。这些特性可以分组为拼写特性和上下文特性。
(3) 拼写特征：

（4）上下文特征： 使用unigram 特征 和bi-grams 特征。
（5）特征连接技巧：把拼写和上下文特征当作单词特征来处理。也就是说，网络的输入包括单词、拼写和上下文特征。然而，我们发现从拼写和上下文特征到输出的直接连接加速了训练，它们导致了非常相似的标记精度。在特征和输出之间建立完全的连接，以避免潜在的特征冲突。

结果对比

结论

观察结果相比，BI-LSTM-CRF模型是鲁棒性的，并且它对单词嵌入的依赖性更小。它可以不需要使用单词嵌入来实现精确的标记精度。