lstm模型_用于序列标注的双向LSTM-CRF模型Summary

一.摘要

本文中，我们介绍了序列标注上各种基于LSTM的模型，LSTM模型、双向LSTM模型、LSTM+CRF、BiLSTM+CRF。我们的工作是第一个在序列标注数据集上使用BiLSTM+CRF模型。BiLSTM-CRF模型通过双向LSTM有效地捕捉到了输入的过去和未来特征。它也可以通过CRF层使用到句子级的标注信息。BiLSTM-CRF在POS、分块、NER数据集上都取得了很好的效果。另外，与之前的工作相比，它更健壮，少依赖于词向量。

二.介绍

序列标注任务分为POS、分块、NER。大多数序列标注模型是线性统计模型，包括马尔科夫模型（HMM）、最大熵马尔科夫模型（MEMMs）、条件随机场（CRF）。最近在序列标注任务上也有出现基于卷积神经网络的模型。Conv-CRF模型在序列标注任务上也取得了不错的结果。

作者的贡献如下：

• 我们系统地比较了基于LSTM的各种模型在NLP标记数据集上的性能；
• 我们的工作在序列标注数据集上首次使用BiLSTM-CRF模型。这个模型可以捕捉到过去和未来的特征，通过CRF层也可以利用到句子级标签信息。在POS、分块、NER数据集上取得了很好地效果；
• 我们证明了BiLSTM-CRF模型是健壮的，与先前的观察结果相比，它对词向量的依赖性较小。

三、模型

本节将会介绍LSTM、BiLSTM、CRF、LSTM-CRF、BiLSTM-CRF模型。

3.1LSTM模型

在语言模型和语音识别任务上RNN模型都取得了不错的效果。RNN基于历史信息保存记忆，使得模型可以在长距离特征上预测当前输出。

下图表示了基本的RNN结构。输入层x，隐藏层h，输出层y。在NER中x表示输入特征，y表示输出标签。NER需要识别出人名、地名、机构名、其他实体、非实体。

输入层表示时刻t的特征，可以是0-1编码的词特征、密集向量特征、或离散特征。输入层的维度与特征大小相同。输出层表示时刻t的标签概率分布，维度与标签大小相同。与前馈网络相比，RNN引入了先前隐藏状态和当前隐藏状态之间的连接，这个循环层旨在存储历史信息。隐藏层和输出层的计算公式如下：

U,W,V是模型参数，f(z)和g(z)分别是sigmoid函数和softmax函数。

本文中，作者运用了LSTM网络，与RNN很相似，除了用专门构建的存储单元替换隐藏层的更新。因此，他们可能更善于发现和利用数据中的长程依赖性。一个LSTM的记忆神经元结构如下，不再详细介绍：

3.2双向LSTM模型

我们使用双向LSTM捕捉到当前时刻t的过去和未来的特征。通过反向传播来训练双向LSTM网络。

3.3CRF网络

在预测当前标签时，有两种不同的方法可以利用邻居标签信息。第一种是预测每个时间步的标签分布，然后使用类似波束的解码来找到最佳标签序列，最大熵分类器和最大熵马尔科夫模型的工作属于这一类。第二种是关注整个句子而不是单个位置，条件随机场属于这类。

实验表明，一般来说，CRF会得到更好的标记性能。

3.4LSTM-CRF网络

将LSTM和CRF结合在一起，可以捕捉到输入的过去特征和句子级的标签信息。CRF层有一个状态转换矩阵参数，通过CRF层，我们可以有效地使用过去和未来的标签信息来预测当前标签，这与双向LSTM有点类似。LSTM网络输出的状态分数为

,表示句子

中第t个词的第i个标签的得分，

为参数。接着将这个分数输入到CRF层，CRF层有一个转换分数矩阵

，表示从第i个状态转移到第j个状态的得分，此转换矩阵与位置无关。模型的参数集合

，句子

的标签序列

的分数是状态分数和转换分数的和，动态规划可以用来计算转移矩阵

和最优的标签序列：

3.5BiLSTM-CRF网络

与LSTM-CRF网络类似，只是将LSTM换为BiLSTM，可以捕捉到过去和未来的特征，实验表明，额外的特征可以提高标注性能。

四.总结

在本文中，我们系统地比较了基于LSTM网络的序列标记模型的性能。 我们介绍了将BI-LSTM-CRF模型应用于NLP基准标记序列标记数据的第一项工作。 我们的模型可以在POS，分块和NER数据集上提供最先进的（或接近）准确性。 此外，与（Collobert et al。，2011）中的观察相比，我们的模型具有鲁棒性，并且对单词嵌入的依赖性较小。 无需借助词嵌入，即可达到准确率标记的准确性。