使用NeMo快速完成NLP中的信息抽取任務(wù)，英偉達(dá)專家實(shí)戰(zhàn)講解，內(nèi)附代碼

liming 2021-07-21 14:48:12 來源：量子位

信息抽取(IE)是從非結(jié)構(gòu)化、半結(jié)構(gòu)化的可讀文檔或其他電子表示來源中自動(dòng)提取結(jié)構(gòu)化信息的任務(wù)。信息抽取技術(shù)為文本挖掘、智能檢索、智能對(duì)話、知識(shí)圖譜、推薦系統(tǒng)等應(yīng)用提供了基本的技術(shù)支持。

近日，英偉達(dá)x量子位發(fā)起的NLP公開課上，英偉達(dá)開發(fā)者社區(qū)經(jīng)理李奕澎老師分享了【使用NeMo快速完成NLP中的信息抽取任務(wù)】，介紹了NLP、信息抽取、命名實(shí)體識(shí)別等相關(guān)理論知識(shí)，并通過代碼演示講解了如何使用NeMo快速完成NLP中的命名實(shí)體識(shí)別任務(wù)。

以下為分享內(nèi)容整理，文末附直播回放、課程PPT&代碼。

大家晚上好，我是本次直播的主講人，來自NVIDIA企業(yè)級(jí)開發(fā)者社區(qū)的李奕澎，本次研討會(huì)的主題是通過對(duì)話式AI工具庫NeMo快速完成NLP中的信息抽取任務(wù)。

本次課程主要是承接上一次快速入門NLP自然語言處理的課程，如果大家對(duì)NLP技術(shù)了解較少，建議大家看一下上期課程的視頻回放（鏈接：https://www.bilibili.com/video/BV1Bq4y1s7xG/）。

本文末附有本次直播的回放鏈接、代碼，大家可以根據(jù)課程內(nèi)容動(dòng)手操作。

今天的課程，首先帶大家回顧上節(jié)課講述的NLP相關(guān)技術(shù)與理論知識(shí)；其次介紹NLP自然語言處理的子任務(wù)—信息抽取技術(shù)的相關(guān)理論知識(shí)，包括信息抽取的概念、用途等；接下來我將介紹命名實(shí)體識(shí)別（NER）及其用途和基本原理；然后，我將介紹如何基于NeMo構(gòu)建命名實(shí)體識(shí)別數(shù)據(jù)集，同時(shí)介紹 NeMo工具庫中使用的信息抽取模型；最后，我們將進(jìn)入代碼實(shí)戰(zhàn)環(huán)節(jié)，跟大家分享如何使用NeMo訓(xùn)練中文命名實(shí)體識(shí)別模型，完成中文命名實(shí)體識(shí)別任務(wù)。

NLP理論知識(shí)簡介

自然語言處理（NLP）是對(duì)話式AI場景中的一個(gè)子任務(wù)，是機(jī)器對(duì)文本進(jìn)行理解的過程。

NLP的應(yīng)用領(lǐng)域包括檢索、文本分類、文本摘要、機(jī)器翻譯、智能對(duì)話、序列標(biāo)注、信息抽取等。

自然語言處理的工作流程一般包括文本預(yù)處理（數(shù)據(jù)清洗、分詞、標(biāo)準(zhǔn)化等）、文本向量化、特征提取、模型訓(xùn)練、系統(tǒng)評(píng)估等步驟，最后進(jìn)行商業(yè)部署。

其中，對(duì)于文本向量化的生成，我們重點(diǎn)介紹了Onehot編碼和Word2Vec算法。

OneHot編碼是指在同一個(gè)語料庫中，通過1、0索引方式，對(duì)每一個(gè)單詞進(jìn)行索引編碼，從而讓計(jì)算機(jī)認(rèn)識(shí)單詞并進(jìn)行相應(yīng)的計(jì)算。其缺點(diǎn)是當(dāng)語料庫非常大時(shí)，向量的維度也會(huì)非常大，向量會(huì)非常稀疏，不便于后續(xù)的計(jì)算。

為了解決這一問題，我們將Onehot編碼作為輸入，通過Word2Vec算法進(jìn)行降維壓縮，生成更稠密的詞向量，以便于計(jì)算單詞間的相似度。

Word2Vec是連續(xù)詞袋模型(CBOW)和跳字模型（Skip-Gram）兩種算法的結(jié)合。其中，CBOW模型的主要思想是用上下文來預(yù)測中間詞，而Skip-Gram模型是通過中間詞來預(yù)測上下文。

而Word2Vec算法的缺點(diǎn)是無法解決一詞多義的問題。因此，基于Transformer結(jié)構(gòu)的更先進(jìn)的算法相繼出現(xiàn)，如BERT、GPT等。

Transformer的核心是注意力機(jī)制。對(duì)此了解較少的小伙伴可以觀看上期回放或者查找其他資料來學(xué)習(xí)。

BERT模型是基于Transformer的雙向語言模型和預(yù)訓(xùn)練模型。我們可以將BERT理解成Transformer結(jié)構(gòu)中的編碼器，是由多個(gè)編碼器堆疊而成的信息特征抽取器。它在序列標(biāo)注、機(jī)器翻譯、閱讀理解、句對(duì)分類等11項(xiàng) NLP子任務(wù)中都取得了非常好的效果。尤其在信息抽取中的命名實(shí)體識(shí)別任務(wù)中，BERT更是扮演了非常重要的角色。

信息抽取技術(shù)

先舉例說明一下，假如我是一名HR，招聘時(shí)需要在大量的簡歷中挑選與招聘目標(biāo)所匹配的關(guān)鍵信息，比如學(xué)歷、技能、工作經(jīng)驗(yàn)等。那么如何快速處理數(shù)百份甚至更多簡歷？是否可以借助機(jī)器幫助我自動(dòng)化抽取簡歷里的關(guān)鍵信息，并進(jìn)行篩選、分類？這時(shí)候，信息抽取技術(shù)就派上用場了。

信息抽取（Information Extraction，IE）是把文本里包含的信息進(jìn)行結(jié)構(gòu)化的處理，變成表格一樣的組織形式。即我們輸入原始的信息文本，輸出固定格式的信息點(diǎn)。

信息抽取本質(zhì)上就是從非結(jié)構(gòu)化或半結(jié)構(gòu)化的文檔中，提取出結(jié)構(gòu)化信息的技術(shù)。

信息抽取的應(yīng)用非常廣泛，國外有人利用信息抽取技術(shù)，為圣經(jīng)做了一個(gè)檢索系統(tǒng)，可以方便的查詢圣經(jīng)的內(nèi)容。我自己也做過類似的項(xiàng)目，將非常復(fù)雜的石油勘探科研文檔中的文本信息抽取出來，將它變成結(jié)構(gòu)化的數(shù)據(jù)形式，構(gòu)建了一個(gè)智能檢索系統(tǒng)，只需輸入關(guān)鍵詞就能快速檢索相關(guān)技術(shù)、參數(shù)。

同樣，我們?cè)谏罟ぷ髦杏龅筋愃频膱鼍?，也可以利用信息抽取技術(shù)，將非結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化的信息，減少我們的工作量。

如上圖，輸入一堆雜亂無序的文本內(nèi)容，通過信息抽取技術(shù)，就可以輸出結(jié)構(gòu)化的內(nèi)容。

此外，我們還可以基于信息抽取技術(shù)構(gòu)建知識(shí)圖譜。從純文本中進(jìn)行結(jié)構(gòu)化的信息抽取，與已經(jīng)存放在數(shù)據(jù)庫中的結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)融合在一起，抽取出三元組、多元組事件、時(shí)序信息等進(jìn)而構(gòu)建知識(shí)圖譜。

上圖更加的清楚展示了從數(shù)據(jù)處理、到信息抽取，再到知識(shí)圖譜的構(gòu)建流程。

首先我們對(duì)文本進(jìn)行一個(gè)預(yù)處理，包括數(shù)據(jù)清洗，取出特殊符號(hào)、停用詞、停用詞、詞形還原等操作；然后我們可以進(jìn)行、分詞、詞性標(biāo)注、實(shí)體標(biāo)注；最后通過模型進(jìn)行命名實(shí)體識(shí)別的工作，同時(shí)我們對(duì)這些實(shí)體進(jìn)行連接，找出實(shí)體之間的相互關(guān)系。然后我們把抽取出來的這些結(jié)構(gòu)，存放在相關(guān)的圖數(shù)據(jù)庫中，就可以構(gòu)建出我們想要的知識(shí)圖譜。

上圖右側(cè)是存放在 NEO4J圖數(shù)據(jù)庫中的知識(shí)圖譜，每一個(gè)圓圈都是一個(gè)節(jié)點(diǎn)，代表了一個(gè)實(shí)體，節(jié)點(diǎn)之間的連線代表它們的關(guān)系。

命名實(shí)體識(shí)別

命名實(shí)體識(shí)別（Named Entity Recognition，NER）是信息抽取技術(shù)中基礎(chǔ)環(huán)節(jié)，是指識(shí)別文本中具有特定意義的實(shí)體，比如人名、地名、機(jī)構(gòu)名、專有名詞等。其主要目的是識(shí)別文本序列中的人名、地名、組織機(jī)構(gòu)名、事件、時(shí)間等實(shí)體。NER也屬于序列標(biāo)注問題，因?yàn)檫@些實(shí)體都需要用標(biāo)簽進(jìn)行命名。

為實(shí)現(xiàn)一個(gè)商用級(jí)的命名實(shí)體識(shí)別系統(tǒng)，數(shù)據(jù)標(biāo)注這一步是至關(guān)重要的。目前有兩種主流的標(biāo)注模式，第一種是BIO標(biāo)注模式，其中 B（begin）是指識(shí)別出來的實(shí)體開頭的字段，I（inside）是指識(shí)別出來的實(shí)體除了開頭的字段，O（outside）是指非實(shí)體的部分。

BIO標(biāo)注模式的缺點(diǎn)是沒考慮到單字實(shí)體以及實(shí)體結(jié)尾字段的標(biāo)注，BIOES標(biāo)注模式就出現(xiàn)了。同樣的，B（begin）是指實(shí)體開頭的字段，I（inside）是實(shí)體中間字符的標(biāo)記，O（outside）是指非實(shí)體部分。E（end）是用來解決BIO標(biāo)注模式的缺點(diǎn)，用來表示實(shí)體的結(jié)尾字段，S（single）表示單字實(shí)體。

如上圖右側(cè)，在實(shí)際操作中可以將命名實(shí)體識(shí)別理解成對(duì)命名實(shí)體標(biāo)簽進(jìn)行多分類的任務(wù)。模型通過計(jì)算對(duì)向量化之后的標(biāo)簽進(jìn)行分類，來預(yù)測文本與標(biāo)簽之間的對(duì)應(yīng)關(guān)系。

構(gòu)建適用于NeMo的NER數(shù)據(jù)集

想要在NeMo中通過結(jié)合BERT等模型實(shí)現(xiàn)NER任務(wù)，首先要構(gòu)建適合NeMo的數(shù)據(jù)集格式，目前NeMo工具庫支持BIO、BIOSE和IOB三種標(biāo)注模式的數(shù)據(jù)集。

對(duì)于一些用IOB方式標(biāo)注的數(shù)據(jù)集，NeMo也提供標(biāo)注數(shù)據(jù)集格式轉(zhuǎn)換的腳本（https://github.com/NVIDIA/NeMo/blob/stable/examples/nlp/token_classification/data/import_from_iob_format.py）。

另外需要注意的是，無論英文還是中文，文本數(shù)據(jù)集原數(shù)據(jù)當(dāng)中，每一個(gè)字符、字段、標(biāo)點(diǎn)符號(hào)之間都需要用空格來進(jìn)行分割。

在NeMo中做命名實(shí)體識(shí)別任務(wù)是基于BERT模型的，在NeMo中去使用BERT模型進(jìn)行微調(diào)、調(diào)用非常方便，如上圖，我們只需要在NeMo給定的模型配置文件中簡單設(shè)置，就可以完成BERT模型的加載以及參數(shù)的微調(diào)。同時(shí)，在訓(xùn)練方面可以結(jié)合NVIDIA GPU、混合精度計(jì)算框架等來加速模型訓(xùn)練。

上圖是在NeMo中使用BERT模型進(jìn)行命名實(shí)體識(shí)別的代碼示例，只用了三行代碼就快速地完成了英文的命名實(shí)體識(shí)別任務(wù)。

首先，在NeMo NLP的工具類中導(dǎo)出TokenClassificationModel，然后調(diào)用List_ available_models，查看工具類中有哪些可以用來做命名實(shí)體識(shí)別的模型。

第二步，調(diào)用工具類中的from_pretrained函數(shù)，就會(huì)自動(dòng)到NVIDIA NCC云端加載預(yù)訓(xùn)練模型：ner_en_bert，基于英文的BERT，將它命名為model。

最后，調(diào)用 model中的add_predictions函數(shù)，將我們想要做命名實(shí)體識(shí)別的英文語句傳進(jìn)來，點(diǎn)擊執(zhí)行，就能夠快速拿到對(duì)應(yīng)的結(jié)果。

可以看出，在NeMo中完成英文的命名實(shí)體識(shí)別任務(wù)是非常方便，開箱即用。但是目前NVIDIA官方并沒有現(xiàn)成的中文命名實(shí)體識(shí)別的模型。

因此，本次課程我們要解決這3個(gè)問題：如何訓(xùn)練中文的NER模型，如何基于BERT模型進(jìn)行微調(diào)，如何提高模型的識(shí)別能力。

接下來，我們就帶著這三個(gè)問題，一起進(jìn)入代碼實(shí)戰(zhàn)的環(huán)節(jié)。

代碼實(shí)戰(zhàn)：使用NeMo快速完成NER任務(wù)

接下來，奕澎老師通過代碼演示，分享了如何在NeMo中快速構(gòu)建命名實(shí)體識(shí)別任務(wù)，大家可觀看視頻回放繼續(xù)學(xué)習(xí)。

• 代碼&課程PPT下載鏈接（提取碼29jy）：https://pan.baidu.com/s/1AVMcWwdbZp7MBWxDwTCd5w
• 直播回放（代碼演示部分從第34分鐘開始）：

下期直播預(yù)告

7月28日晚8點(diǎn)第3期課程中，奕澎老師將直播分享使用NeMo讓你的文字會(huì)說話—深度學(xué)習(xí)在語音合成任務(wù)中的應(yīng)用，課程大綱如下：

? 語音合成技術(shù)簡介
? 語音合成技術(shù)的工作流程和原理
? 語音合成技術(shù)中的深度學(xué)習(xí)模型
? 代碼實(shí)戰(zhàn)：使用 NeMo快速完成自然語音生成任務(wù)

直播報(bào)名：

報(bào)名鏈接：210728-598816

ps.請(qǐng)準(zhǔn)確填寫您的郵箱、便于接收直播提醒&課程資料哦~

報(bào)名后請(qǐng)?zhí)砑有≈帧⒓尤胛⑿?strong>交流群，及時(shí)接收直播通知、課程PPT&代碼，還可參與課后問卷，抽取《CUDA編程基礎(chǔ)與實(shí)踐》暢銷書哦~