本文共 2426 字，大约阅读时间需要 8 分钟。
回顾
上篇博文中，我们知道CRF层可以从训练数据中学习到一些约束条件，从而确保最终的预测标签序列是有效的。
约束条件可能是：- 一句话中第一个单词的标签应该是“B-“ or “O”，而不能是"I-"；
- “B-label1 I-label2 I-label3 I-…”中，label1, label2, label3 …应该是相同的命名实体标签。如“B-Person I-Person”是有效的，而“B-Person I-Organization” 是无效的；
- “O I-label” 是无效的。一个命名实体的第一个标签应该以 “B-“ 开头，而不能以“I-“开头，换句话说， 应该是“O B-label”这种模式；
- … 读完本篇博文后，你将会了解为什么CRF层能够学习这些约束条件。
CRF层
在CRF层的损失函数中，有两种类型的得分，这两种类型的得分是CRF层的关键概念。
2.1 发射得分
第一个得分为发射得分，该得分可以从BiLSTM层获得。如图2.1所示， w 0 w_0 w0标记为B-Person的得分是1.5。
| Label | Index |
|---|---|
| B-Person | 0 |
| I-Person | 1 |
| B-Organization | 2 |
| I-Organization | 3 |
| O | 4 |
我们采用 x i y j x_{iy_j} xiyj来表达发射矩阵，其中 i i i表示第 i i i单词， y j y_j yj表示标签索引。例如，根据图2.1， x i = 1 , y j = 2 = x w 1 , B − O r g a n i z a t i o n = 0.1 x_{i=1,y_j=2}=x_{w1,B-Organization}=0.1 xi=1,yj=2=xw1,B−Organization=0.1，该表达式的意思是将 w 1 w_1 w1标记为 B-Organization的概率为0.1。
2.2 转移得分
我们采用 t y i y j t_{y_iy_j} tyiyj表示转移得分，例如， t B − P e r s o n , I − P e r s o n = 0.9 t_{B-Person,I-Person}=0.9 tB−Person,I−Person=0.9表示标签B-Person转移到I-Person的得分为0.9，因此，我们将获得一个转移得分矩阵，该矩阵存储着所有标签相互转移之间的得分。
为了使转移得分矩阵的鲁棒性更好，我们将额外再加两个标签：START和END，START表示一句话的开始，注意这不是指该句话的第一个单词，START后才是第一个单词，同样的，END代表着这句话的结束。
下表就是一个转移得分矩阵的示例，该示例包含了START和END标签。
| START | B-Person | I-Person | B-Organization | I-Organization | O | END | |
|---|---|---|---|---|---|---|---|
| START | 0 | 0.8 | 0.007 | 0.7 | 0.0008 | 0.9 | 0.08 |
| B-Person | 0 | 0.6 | 0.9 | 0.2 | 0.0006 | 0.6 | 0.009 |
| I-Person | -1 | 0.5 | 0.53 | 0.55 | 0.0003 | 0.85 | 0.008 |
| B-Organization | 0.9 | 0.5 | 0.0003 | 0.25 | 0.8 | 0.77 | 0.006 |
| I-Organization | -0.9 | 0.45 | 0.007 | 0.7 | 0.65 | 0.76 | 0.2 |
| O | 0 | 0.65 | 0.0007 | 0.7 | 0.0008 | 0.9 | 0.08 |
| END | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
如上表所示，我们能够发现转移矩阵已经学习到了某些有用的约束条件。
- 句子中第一个单词的标签应该是以“B-”或者"O"开头，而不能以"I-"开头(转移得分中，从START到I-Person 和 I-Organization的得分都很低)；
- 模式“B-label1 I-label2 I-label3 I-…”中，label1, label2, label3 … 应该是相同的命名实体，例如“B-Person I-Person”是有效的，而 “B-Person I-Organization”是无效的。（该性质在转移得分矩阵中的表现为，从B-Organization到I-Person的得分仅有0.0003）；
- “O I-label”是无效的，命名实体的第一个标签应该是以“B-“ 开头的而不该是以“I-“开头的，换而言之，有效的标签模式应该是“O B-label” （该性质在转移得分矩阵中的表现是，得分 t O , I − P e r s o n t_{O,I-Person} tO,I−Person是很低的。）
- …
现在，你可能比较关心的问题是：怎么得到该转移矩阵？
其实，该矩阵是BiLSTM-CRF模型的一个参数，在训练模型之前，可以随机初始化该转移得分矩阵，在训练过程中，这个矩阵中的所有随机得分将得到更新，换而言之，CRF层可以自己学习这些约束条件，而无需人为构建该矩阵。随着不断的训练，这些得分会越来越合理。下篇博文
2.3 CRF损失函数
该节会介绍CRF损失函数，该算是函数将会包含真是路径得分和所有可能路径得分。
2.4 真实路径得分
该节介绍一句话真实标签的得分。
2.5 所有可能路径的得分
该节将给定一个简单的示例，教你一步一步地计算出所有可能路径的总得分。
参考文献
[1] Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K. and Dyer, C., 2016. Neural architectures for named entity recognition. arXiv preprint arXiv:1603.01360.
转载地址：http://egjti.baihongyu.com/