實(shí)體—屬性抽取的GRU+CRF方法

王仁武 孟現(xiàn)茹 孔琦

〔摘 要〕[目的/意義]研究利用深度學(xué)習(xí)的循環(huán)神經(jīng)網(wǎng)絡(luò)GRU結(jié)合條件隨機(jī)場(chǎng)CRF對(duì)標(biāo)注的中文文本序列進(jìn)行預(yù)測(cè)，來(lái)抽取在線(xiàn)評(píng)論文本中的實(shí)體—屬性。[方法/過(guò)程]首先根據(jù)設(shè)計(jì)好的文本序列標(biāo)注規(guī)范，對(duì)評(píng)論語(yǔ)料分詞后進(jìn)行實(shí)體及其屬性的命名實(shí)體標(biāo)注，得到單詞序列、詞性序列和標(biāo)注序列；然后將單詞序列、詞性序列轉(zhuǎn)為分布式詞向量表示并用于GRU循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入；最后輸出層采用條件隨機(jī)場(chǎng)CRF，輸出標(biāo)簽即是實(shí)體或?qū)傩?。[結(jié)果/結(jié)論]實(shí)驗(yàn)結(jié)果表明，本文的方法將實(shí)體—屬性抽取簡(jiǎn)化為命名實(shí)體標(biāo)注，并利用深度學(xué)習(xí)的GRU捕獲輸入數(shù)據(jù)的上下文語(yǔ)義以及條件隨機(jī)場(chǎng)CRF獲取輸出標(biāo)簽的前后關(guān)系，比傳統(tǒng)的基于規(guī)則或一般的機(jī)器學(xué)習(xí)方法具有較大的應(yīng)用優(yōu)勢(shì)。

〔關(guān)鍵詞〕實(shí)體屬性抽??；GRU；循環(huán)神經(jīng)網(wǎng)絡(luò)；條件隨機(jī)場(chǎng)；命名實(shí)體識(shí)別

DOI：10.3969/j.issn.1008-0821.2018.10.009

〔中圖分類(lèi)號(hào)〕TP391.1 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）10-0057-08

〔Abstract〕[Purpose/Significance]The study used the recurrent neural network GRU combined conditional random field CRF to predict the annotated Chinese sequence text to extract the entity-attribute in the online review text.[Method/Process]Firstly，according to the designed annotation specification to a text sequence，the paper made name entity annotations for entities and their attributes after the segmentation of corpus，and got word sequence，part of speech sequence and annotation sequence；Then the word sequence and part-of-speech sequence were converted into distributed word vector representation and used for input of GRU recurrent neural network；finally，the output layer used the conditional random field CRF and the output label was the entity or attribute.[Result/Conclusion]The method in this paper simplified entity-attribute extraction to named entity annotation，and used GRU to capture the contextual semantics of input data and conditional random field CRF to obtain the output label context，which had a larger application advantage than the traditional rule based or general machine learning method.

〔Key words〕entity attribute extraction；GRU；RNN；CRF；NER

實(shí)體—屬性抽取是從非結(jié)構(gòu)的文本數(shù)據(jù)中抽取有價(jià)值的語(yǔ)義單元的重要手段，是信息抽取、觀(guān)點(diǎn)挖掘、智能檢索、自動(dòng)問(wèn)答、知識(shí)圖譜等構(gòu)建任務(wù)的基礎(chǔ)。實(shí)體—屬性抽取屬于自動(dòng)內(nèi)容抽?。ˋutomatic Content Extraction，ACE）的研究范疇。美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院（National Institute of Standards and Technology，NIST）組織開(kāi)展了系列ACE測(cè)評(píng)會(huì)議。ACE會(huì)議旨在研究自動(dòng)抽取出新聞?wù)Z料中的實(shí)體、關(guān)系以及事件等內(nèi)容[1]。ACE的目標(biāo)是發(fā)展包括自動(dòng)識(shí)別和標(biāo)識(shí)文本在內(nèi)的自動(dòng)內(nèi)容抽取技術(shù)，以支持對(duì)語(yǔ)料庫(kù)的自動(dòng)處理[2]。

本文研究的實(shí)體是文本中描述的對(duì)象，或者說(shuō)是文本中包含的特定事實(shí)信息，例如產(chǎn)品評(píng)論中的產(chǎn)品、服務(wù)、商家等。與此對(duì)應(yīng)，屬性是描述產(chǎn)品或服務(wù)的特定屬性的特征，例如，屬性的一些示例是品牌、顏色、材料、包裝、價(jià)格、質(zhì)量等。屬性值是賦予屬性的特定值。涉及到實(shí)體的研究，使用比較多的方法是命名實(shí)體識(shí)別。在命名實(shí)體識(shí)別研究中，MUC-6[3]中命名實(shí)體類(lèi)型分為3大類(lèi)（實(shí)體類(lèi)、時(shí)間類(lèi)和數(shù)字類(lèi)）和7小類(lèi)（機(jī)構(gòu)名、地名、人名、日期、時(shí)間、百分比和貨幣）。隨著研究的深入和社會(huì)的發(fā)展，一些新的實(shí)體類(lèi)型逐漸成為研究熱點(diǎn)，例如醫(yī)學(xué)生物信息、商業(yè)信息等。在大數(shù)據(jù)時(shí)代，我們生活中絕大多數(shù)的數(shù)據(jù)都是非結(jié)構(gòu)的文本數(shù)據(jù)，我們已淹沒(méi)在非結(jié)構(gòu)化數(shù)據(jù)的海洋之中。實(shí)體識(shí)別與實(shí)體—屬性抽取已經(jīng)成為非結(jié)構(gòu)化文本理解的一個(gè)重要手段。

在本文研究中，我們充分利用循環(huán)神經(jīng)網(wǎng)絡(luò)捕捉文本上下文語(yǔ)義的能力來(lái)抽取文本中的實(shí)體與屬性。首先利用命名實(shí)體標(biāo)注的方法來(lái)標(biāo)注文本中的實(shí)體與屬性形成實(shí)驗(yàn)語(yǔ)料，然后利用循環(huán)神經(jīng)網(wǎng)絡(luò)（本文使用GRU）來(lái)訓(xùn)練標(biāo)注好的語(yǔ)料，網(wǎng)絡(luò)輸出層使用條件隨機(jī)場(chǎng)（CRF），好處是在輸出時(shí)也能利用標(biāo)注標(biāo)簽之間的先后關(guān)系，提高輸出的準(zhǔn)確率。本文方法的思路來(lái)源于深度學(xué)習(xí)強(qiáng)大的無(wú)監(jiān)督自主學(xué)習(xí)的能力，避免了傳統(tǒng)機(jī)器學(xué)習(xí)比較耗時(shí)且復(fù)雜的特征工程。實(shí)驗(yàn)表明，本文的實(shí)體—屬性抽取方法，利用GRU+CRF，可以取得較好的效果。

本文余下部分的結(jié)構(gòu)安排：第1部分相關(guān)的研究工作情況；第2部分模型框架；第3部分語(yǔ)料標(biāo)注；第4部分實(shí)驗(yàn)與分析評(píng)估；第5部分總結(jié)與展望。

1 相關(guān)研究

自20世紀(jì)80年代開(kāi)始召開(kāi)的信息理解會(huì)議MUC（Message Understanding Conferences）和自動(dòng)內(nèi)容抽取ACE評(píng)測(cè)會(huì)議等多個(gè)信息抽取領(lǐng)域的會(huì)議極大地推動(dòng)了信息抽取技術(shù)的發(fā)展。本世紀(jì)ACE評(píng)測(cè)已經(jīng)舉辦了八屆，經(jīng)過(guò)多年發(fā)展，當(dāng)前對(duì)信息的提取已經(jīng)有一些研究成果[4]，信息抽取的研究方法主要有以下兩種：模式匹配方法和機(jī)器學(xué)習(xí)方法。基于模式匹配的方法對(duì)知識(shí)的表達(dá)比較直觀(guān)、自然，類(lèi)似于規(guī)則，更接近人的思維方式。模式匹配多是面向領(lǐng)域的，準(zhǔn)確率較高；基于機(jī)器學(xué)習(xí)方法靈活性較好，不需要太多的背景知識(shí)，但是它需要大規(guī)模的語(yǔ)料庫(kù)支持以及手工標(biāo)注。

在基于機(jī)器學(xué)習(xí)的實(shí)體屬性抽取方面，Liu H等[5]利用屬性值信息和最大熵模型構(gòu)造屬性與標(biāo)簽之間的映射關(guān)系，并對(duì)實(shí)體實(shí)例進(jìn)行標(biāo)注，然后，將隱馬爾可夫模型應(yīng)用于相關(guān)實(shí)體屬性提取。Li C X等[6]則提出了一種基于實(shí)體屬性分類(lèi)的Web實(shí)體抽取方法，使用Libsvm分類(lèi)器對(duì)物品的實(shí)體與屬性進(jìn)行分類(lèi)抽取。曾道建等[7]將屬性抽取看作是一個(gè)序列標(biāo)注問(wèn)題，利用百度百科信息框已有的結(jié)構(gòu)化內(nèi)容來(lái)自動(dòng)產(chǎn)生訓(xùn)練數(shù)據(jù)，然后使用條件隨機(jī)場(chǎng)（CRF）作為分類(lèi)器來(lái)從非結(jié)構(gòu)化文本中抽取屬性。劉倩等[8]在實(shí)體屬性抽取的進(jìn)一步研究中提出了利用全局信息構(gòu)造神經(jīng)網(wǎng)絡(luò)感知器模型來(lái)抽取實(shí)體屬性，整體效果優(yōu)于傳統(tǒng)的CRF。

近年來(lái)，隨著深度學(xué)習(xí)在圖像領(lǐng)域應(yīng)用的成功，不少學(xué)者開(kāi)始關(guān)注深度學(xué)習(xí)在信息抽取方面的應(yīng)用。Zhong B等[9]通過(guò)構(gòu)造深度信念網(wǎng)（Deep Belief Network）來(lái)進(jìn)行實(shí)體屬性抽取。蘇豐龍等[10]將深度學(xué)習(xí)框架的詞語(yǔ)嵌入表示方法（Word Embedding）引入到領(lǐng)域?qū)嶓w屬性抽取研究中，方法是采用詞的聚類(lèi)方法，在無(wú)監(jiān)督條件下解決大規(guī)模語(yǔ)料、領(lǐng)域?qū)嶓w屬性詞表人工參與構(gòu)建代價(jià)較高的問(wèn)題。Gridach M等人[11]使用循環(huán)神經(jīng)網(wǎng)絡(luò)GRU結(jié)合CRF進(jìn)行了推特文本中的法文文本的命名實(shí)體識(shí)別，而Huang Z等人[12]則研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)BiLSTM結(jié)合CRF對(duì)英文語(yǔ)料CoNLL2000、CoNLL2003文進(jìn)行NER，都取得了較好的效果。

由于傳統(tǒng)的機(jī)器學(xué)習(xí)其分類(lèi)算法的數(shù)據(jù)來(lái)自有限數(shù)據(jù)集合L=（X，y），其中X為輸入樣本并以二維數(shù)組形式給出，形狀為n_samples×m_features，即n個(gè)樣本，m個(gè)特征；輸出值以數(shù)組y的形式給出，并以y中的Symbolic（符號(hào)）值表示。傳統(tǒng)的機(jī)器學(xué)習(xí)的質(zhì)量嚴(yán)重受制于X數(shù)據(jù)的獲得與處理，需要繁瑣的特征工程（即m_features的獲得過(guò)程）來(lái)進(jìn)行處理，它主要依靠設(shè)計(jì)者的先驗(yàn)知識(shí)，很難利用大數(shù)據(jù)的優(yōu)勢(shì)，而且還不一定能取得好的效果。而深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)方法最大不同之處在于它能從數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征。例如，傳統(tǒng)的圖像分類(lèi)，要識(shí)別圖片中的貓，需要設(shè)計(jì)好的特征，給出貓的胡須、耳朵、眼睛等特征，而深度學(xué)習(xí)，只需標(biāo)注圖片是否是貓即可，剩下的工作，交給神經(jīng)網(wǎng)絡(luò)去調(diào)節(jié)聯(lián)結(jié)權(quán)重，通過(guò)輸入數(shù)據(jù)（圖片）與調(diào)節(jié)后權(quán)重的矢量乘積的激活，產(chǎn)生是否是貓的預(yù)測(cè)。

本文在前人研究的基礎(chǔ)上，利用Keras[13]的深度學(xué)習(xí)框架，設(shè)計(jì)構(gòu)造了雙向GRU[14]循環(huán)神經(jīng)網(wǎng)絡(luò)，在輸出層使用CRF[15]，對(duì)序列標(biāo)注的中文在線(xiàn)評(píng)論文本進(jìn)行實(shí)體屬性抽取。本文的方法將傳統(tǒng)的大量依賴(lài)映射詞表與規(guī)則的比較繁瑣的實(shí)體屬性抽取，簡(jiǎn)化為文本序列標(biāo)注。充分利用了深度神經(jīng)網(wǎng)絡(luò)雙向GRU綜合學(xué)習(xí)利用語(yǔ)料上下文的語(yǔ)義關(guān)系，以及利用條件隨機(jī)場(chǎng)CRF在序列標(biāo)簽上的預(yù)測(cè)能力，提高模型的預(yù)測(cè)輸出效果。盡管語(yǔ)料標(biāo)注需要一定的工作量，但標(biāo)注工作本身簡(jiǎn)單易行，具有較大的應(yīng)用優(yōu)勢(shì)。

2 模型框架

本文使用循環(huán)神經(jīng)網(wǎng)絡(luò)GRU（輸出層使用CRF）對(duì)輸入的經(jīng)過(guò)人工標(biāo)注的中文在線(xiàn)評(píng)論文本序列進(jìn)行學(xué)習(xí)（文本標(biāo)注的相關(guān)內(nèi)容見(jiàn)第4部分）。

2.1 GRU模型

GRU全稱(chēng)是Gated Recurrent Unit，即門(mén)限循環(huán)單元，是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN[16]）的一種。我們知道卷積神經(jīng)網(wǎng)絡(luò)（CNN[17]）擅長(zhǎng)處理空間信息，例如圖像，而RNN則擅長(zhǎng)處理時(shí)間信息，例如語(yǔ)音、文本序列等。GRU則是對(duì)RNN存在的比較嚴(yán)重的梯度消失或梯度爆炸問(wèn)題的改進(jìn)。

RNN的“梯度消失”是指，如果梯度較?。?lt;1），多層迭代以后，指數(shù)相乘，梯度很快就會(huì)下降到對(duì)調(diào)參幾乎沒(méi)有影響（設(shè)想一下，0.9的n次方，當(dāng)n足夠大時(shí)，值將很?。??！疤荻缺ā眲t反過(guò)來(lái)，如果梯度較大（>1），多層迭代以后，又導(dǎo)致了梯度很大（設(shè)想一下，1.1的n次方，當(dāng)n足夠大時(shí)，值將很大）。盡管在理論上，RNN能夠捕獲長(zhǎng)距離依賴(lài)性，但實(shí)際上，它們由于梯度消失/爆炸問(wèn)題而失敗[18]。GRU等是RNN的優(yōu)化，能夠解決RNN在梯度上面臨的問(wèn)題。

GRU具有與RNN常用的一個(gè)優(yōu)化版本LSTM[19]類(lèi)似的結(jié)構(gòu)，但是更為簡(jiǎn)化，如圖1所示。

GRU模型中的參數(shù)U∈Rd×k，W∈Rd×d，在所有時(shí)間步中共享，并在模型訓(xùn)練過(guò)程中學(xué)習(xí)?！驯硎驹刂g相乘，描述U和W中的k是表示隱藏層向量的維度的超參數(shù)。直觀(guān)的理解一下，如果更新門(mén)關(guān)閉，即zt=0，則無(wú)論序列有多長(zhǎng)，都可以保持初始時(shí)間步中的信息。

2.2 用于實(shí)體—屬性抽取的BGRU+CRF模型

2.2.1 BGRU（Bidirectional GRU）

單個(gè)GRU的主要缺點(diǎn)是僅利用一個(gè)方向上的上下文的語(yǔ)義關(guān)系。對(duì)于命名實(shí)體識(shí)別（NER）、分詞（POS）等文本序列任務(wù)建模，一個(gè)強(qiáng)大的建模思想，要能捕捉在每個(gè)時(shí)間步上的過(guò)去的和未來(lái)的特征。為了解決這個(gè)問(wèn)題，我們使用雙向GRU，即BGRU（Bidirectional GRU）。BGRU可以在兩個(gè)方向上處理數(shù)據(jù)，輸出層從兩個(gè)單獨(dú)的隱藏層接收結(jié)果。對(duì)于給定的文本句子Sentence S，S={w1，w2，…，wn}，包含n個(gè)單詞w，BGRU計(jì)算兩個(gè)表示：前向GRU，即右邊的單詞的上下文關(guān)系，F(xiàn)orward GRU ht；后向GRU，即左邊的單詞的上下文關(guān)系，Backward GRU ht。然后，對(duì)每個(gè)單詞計(jì)算其表示值是將Forward GRU ht與Backward GRU ht合并起來(lái)。

2.2.2 BGRU+CRF模型

圖2給出了BGRU+CRF模型結(jié)構(gòu)，對(duì)文本序列的標(biāo)注類(lèi)型預(yù)測(cè)最后是通過(guò)CRF（條件隨機(jī)場(chǎng)）來(lái)完成。標(biāo)注序列之間的也有聯(lián)系，而CRF在判斷文本序列中單詞的標(biāo)注類(lèi)型時(shí)，能充分考慮標(biāo)注值之間的關(guān)系，從而使得標(biāo)注的預(yù)測(cè)更加準(zhǔn)確。

BGRU+CRF模型說(shuō)明：

1）模型的第一層是輸入層，輸入句子中的單詞的詞向量，處理過(guò)程一般是：

①例如，對(duì)紙尿褲的原始語(yǔ)料，對(duì)媽咪寶貝紙尿褲的一條評(píng)論語(yǔ)句分詞后為[“除了”，“媽寶”，“，”，“其它”，“的”，“柔軟度”，“都”，“好”]，進(jìn)一步可得到每個(gè)單詞的one-hot向量，維數(shù)是字典大?。ㄓ蓪?shí)驗(yàn)語(yǔ)料中所有詞構(gòu)成）。one-hot向量的含義是一個(gè)向量中只有一個(gè)值是1（熱值，hot value），其它都是0。

②利用預(yù)編譯的或隨機(jī)初始化的詞向量（Word Embedding）矩陣將句子中的每個(gè)詞由one-hot向量映射為低維稠密的詞向量（Word Embedding），Embedding的維度可以自行設(shè)置，對(duì)中文來(lái)說(shuō)可選擇100維、200維等。

③設(shè)置Dropout去除輸入數(shù)據(jù)的某些維度以緩解過(guò)擬合。

2）模型的第二層是BGRU層，其處理過(guò)程：

①將一個(gè)句子的各個(gè)詞的詞向量序列作為BGRU各個(gè)時(shí)間步的輸入。

②輸出前向Forward GRU的隱狀態(tài)序列。

③輸出后向Backward GRU的隱狀態(tài)序列。

④將前向與后向GRU輸出的隱狀態(tài)序列在各個(gè)位置輸出的隱狀態(tài)進(jìn)行按位置拼接得到完整的隱狀態(tài)序列。

⑤設(shè)置Dropout去除輸入數(shù)據(jù)的某些維度以緩解過(guò)擬合。

⑥將隱狀態(tài)向量從m維映射到k維，k是標(biāo)注集的標(biāo)簽數(shù)，得到自動(dòng)提取的句子特征。

⑦為單詞分類(lèi)到k個(gè)標(biāo)簽計(jì)算打分值。

3）模型的第三層是CRF層

CRF層完成序列標(biāo)注的標(biāo)簽預(yù)測(cè)，CRF層由連接連續(xù)輸出層的行表示。CRF層將BGRU輸出的狀態(tài)轉(zhuǎn)換矩陣作為參數(shù)，有了該層，我們可以有效地使用標(biāo)注標(biāo)簽之間的關(guān)系來(lái)預(yù)測(cè)當(dāng)前標(biāo)簽。

3 語(yǔ)料序列標(biāo)注

3.1 在線(xiàn)評(píng)論語(yǔ)料獲取與處理

本項(xiàng)目研究以淘寶網(wǎng)主題市場(chǎng)下的“童裝玩具/孕產(chǎn)/用品”主題的“孕產(chǎn)”用品中的紙尿褲，以及奶粉輔食的在線(xiàn)評(píng)論數(shù)據(jù)作為研究語(yǔ)料來(lái)源。利用Python語(yǔ)言編程采集了花王、幫寶適、好奇、媽咪寶貝等紙尿褲及愛(ài)他美、羊奶粉、惠氏、雅培等奶粉輔食近150個(gè)品種（作為實(shí)體）。評(píng)論數(shù)據(jù)從2017年1月至2018年12月，經(jīng)過(guò)語(yǔ)料數(shù)據(jù)預(yù)處理，去除無(wú)效的評(píng)論，得到有效評(píng)論數(shù)據(jù)29 807條。語(yǔ)料預(yù)處理過(guò)程包括數(shù)據(jù)清洗、分詞與詞性標(biāo)注。

數(shù)據(jù)清洗包括：1）刪除不適合本文研究的圖片和表情符號(hào)；2）刪除與評(píng)論主題無(wú)關(guān)的評(píng)論；3）刪除重復(fù)發(fā)帖的記錄；4）刪除店家回復(fù)的記錄；5）刪除淘寶系統(tǒng)自動(dòng)評(píng)論，例如“評(píng)價(jià)方未及時(shí)做出評(píng)價(jià)，系統(tǒng)默認(rèn)好評(píng)！”等。

分詞的質(zhì)量關(guān)鍵取決于詞典，一般的分詞軟件都不帶有領(lǐng)域的詞典。所以要想提高特定領(lǐng)域的分詞效果，則要先建立該領(lǐng)域用戶(hù)詞典。本項(xiàng)目是母嬰用品中的紙尿褲和奶粉，應(yīng)該先建立該領(lǐng)域詞典，因本項(xiàng)目需要人工標(biāo)注，所以開(kāi)始并沒(méi)有建立比較完整的領(lǐng)域詞典，而是在標(biāo)注過(guò)程中不斷積累需要增加的領(lǐng)域詞匯，為后面的模型應(yīng)用建立領(lǐng)域詞典做好積累。例如，在標(biāo)注過(guò)程中，發(fā)現(xiàn)“媽咪寶貝”多數(shù)用戶(hù)稱(chēng)作“媽寶”以及“防漏性”，也有些用戶(hù)稱(chēng)作“防漏”，這些都需要加入領(lǐng)域詞典。分詞與詞性標(biāo)注需要分詞軟件，本文采用Python編程語(yǔ)言中的Jieba分詞模塊進(jìn)行分詞。

3.2 語(yǔ)料標(biāo)注及質(zhì)量管理

本項(xiàng)目使用Bakeoff-3[20]評(píng)測(cè)中所采用的BIO2標(biāo)注集，即B-PER、I-PER代表人名首字、人名非首字，B-ORG、I-ORG代表組織機(jī)構(gòu)名首字、組織機(jī)構(gòu)名非首字等，O代表該字不屬于命名實(shí)體的一部分。對(duì)母嬰用品的各種實(shí)體類(lèi)型，制定如表1的命名實(shí)體標(biāo)注規(guī)則。本研究中，產(chǎn)品、服務(wù)、商家等文本中談?wù)摰闹饕獙?duì)象統(tǒng)稱(chēng)為實(shí)體，不做細(xì)分。例如，本項(xiàng)目研究的紙尿褲和奶粉的各個(gè)品牌，花王、媽咪寶貝、惠氏、雅培等都是實(shí)體，屬性則是這些實(shí)體的某一方面的特征。

所以本實(shí)驗(yàn)的標(biāo)注標(biāo)簽集合為{B-E，I-E，B-AGC，I-AGC，B-AM，I-AM，B-AI，I-AI，B-AP，I-AP，B-AT，I-AT，B-AS，I-AS，B-APP，I-APP，B-AN，I-AN，B-APF，I-APF，B-APO，I-APO，O}。總共23個(gè)標(biāo)簽值，因?qū)嶋H標(biāo)注時(shí)，有些實(shí)體—屬性不會(huì)有組合標(biāo)簽，所以語(yǔ)料的實(shí)際標(biāo)簽要小于23個(gè)。

有了標(biāo)注規(guī)范后，就可對(duì)語(yǔ)料預(yù)處理后的評(píng)論數(shù)據(jù)進(jìn)行人工標(biāo)注，標(biāo)注時(shí)，詞與詞之間空格隔開(kāi)，每個(gè)詞的標(biāo)注由3部分組成，即：詞|詞性|標(biāo)注標(biāo)簽，例如：柔軟aB-APP，表示單詞“柔軟”，形容詞，屬性是產(chǎn)品的物理性能，B表示是一個(gè)獨(dú)立的標(biāo)簽或一個(gè)組合標(biāo)簽的開(kāi)始。

具體標(biāo)注時(shí)，要注意做好以下工作。

1）對(duì)不規(guī)范用語(yǔ)的進(jìn)一步規(guī)范。在語(yǔ)料預(yù)處理環(huán)節(jié)已經(jīng)處理了明顯的錯(cuò)誤和明顯的不合法、不規(guī)范的內(nèi)容。因模型主要是以詞為單位，來(lái)預(yù)測(cè)每個(gè)詞可能的標(biāo)簽值。所以同樣含義的單詞最好能統(tǒng)一，以提高模型預(yù)測(cè)的正確率。例如，文中舉例的“媽寶”與“媽咪寶貝”，“柔軟”與“柔軟度”、“柔軟性”要統(tǒng)一采用一個(gè)詞，除了有利輸出標(biāo)簽預(yù)測(cè)外，這樣它們的分布式表示詞向量也一樣，即作為模型的輸入也一致。

2）實(shí)體與屬性的界定。需要標(biāo)注人員準(zhǔn)確理解，確實(shí)區(qū)分實(shí)體與屬性，以及屬性應(yīng)準(zhǔn)確地屬于哪一類(lèi)屬性。即要準(zhǔn)確地把人類(lèi)知識(shí)賦予標(biāo)注的語(yǔ)料，以便于深度學(xué)習(xí)模型準(zhǔn)確獲取語(yǔ)料的含義。

3）對(duì)于不屬于實(shí)體與屬性的詞，一律標(biāo)注為“O”，包括標(biāo)點(diǎn)符號(hào)。

4）為了解決多人標(biāo)注可能的錯(cuò)誤和不一致的地方，標(biāo)注完成后，一定要做好標(biāo)注質(zhì)量管理。比較好的解決辦法是使用有一個(gè)具有質(zhì)量控制的標(biāo)注系統(tǒng)來(lái)進(jìn)行標(biāo)注，或至少有一個(gè)標(biāo)注質(zhì)量檢查程序。

3.3 標(biāo)注好的語(yǔ)料情況

本文共標(biāo)注了9 240條紙尿褲語(yǔ)料和1 520條奶粉輔食語(yǔ)料，各標(biāo)簽數(shù)量如表2所示。

3.4 實(shí)體—屬性關(guān)系初始化

為了提高本文模型的泛化推廣能力，特意選擇了母嬰用品的兩個(gè)子領(lǐng)域，紙尿褲與奶粉。這兩個(gè)子領(lǐng)域有較大的差別，有不同的屬性，例如紙尿褲沒(méi)有奶粉的營(yíng)養(yǎng)元素（標(biāo)注標(biāo)簽為AN）、口味（標(biāo)注標(biāo)簽為AT）等屬性。

語(yǔ)料標(biāo)注完成后，可以對(duì)標(biāo)注結(jié)果進(jìn)行匯總、分析，構(gòu)建實(shí)體標(biāo)簽對(duì)應(yīng)的詞語(yǔ)與屬性標(biāo)簽對(duì)應(yīng)的詞語(yǔ)的關(guān)系，這樣在實(shí)際應(yīng)用中可以避免在抽取實(shí)體—屬性時(shí)，將奶粉的屬性賦予紙尿褲。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

GRU接受的輸入文本數(shù)據(jù)的字或詞通常是詞向量（Word Embedding）格式，為此需要將輸入的標(biāo)注好的文本序列數(shù)據(jù)，即單詞序列、詞性序列轉(zhuǎn)換成詞向量格式，而NER標(biāo)注標(biāo)簽轉(zhuǎn)換成一般的one-hot向量格式。目前在深度學(xué)習(xí)應(yīng)用中將單詞轉(zhuǎn)換成詞向量表示，多用Google開(kāi)源的Word2vec[21]工具。Google公司在2013年開(kāi)源Word2vec后，目前已有一些基于詞向量Word2vec的文本處理方面的研究[22]。

2）為評(píng)論單詞、詞性創(chuàng)建詞向量，本實(shí)驗(yàn)采用的是300維的詞向量。即一個(gè)單詞或詞性由一個(gè)300維的向量表示。為NER標(biāo)簽創(chuàng)建one-hot向量，要注意的是，在標(biāo)注的標(biāo)簽集上，再加一個(gè)標(biāo)簽“PAD”對(duì)應(yīng)索引值0，和一個(gè)標(biāo)簽“UNK”對(duì)應(yīng)索引值最大值后的值?！癙AD”一般用于序列長(zhǎng)度不滿(mǎn)足長(zhǎng)度要求，在序列后填充該值直到符合要求的序列長(zhǎng)度，“UNK”用于未知的內(nèi)容。one-hot向量的含義是一個(gè)向量中只有一個(gè)值是1（熱值，hot value），其它都是0。在機(jī)器學(xué)習(xí)中，對(duì)于多分類(lèi)問(wèn)題，one-hot是轉(zhuǎn)換目標(biāo)變量，即多分類(lèi)標(biāo)簽值的通用方法。

4.2 模型構(gòu)建與模型訓(xùn)練

我們使用Python編程，在深度學(xué)習(xí)框架Keras下，后端使用Tensorflow[23]，電腦帶有GPU的NVIDIA Geforce 940MX顯卡，并配置好使用GPU功能。

我們?cè)趯?shí)驗(yàn)數(shù)據(jù)上實(shí)驗(yàn)了BGRU+CRF模型，作為對(duì)比也實(shí)驗(yàn)了機(jī)器學(xué)習(xí)中常用的支持向量機(jī)模型（SVM）[24]，RNN的另一個(gè)優(yōu)化版本LSTM[19]（使用雙向LSTM，即BiLSTM，采用Softmax激活函數(shù)作為輸出）和單獨(dú)的CRF模型（CRF是傳統(tǒng)的文本序列標(biāo)注預(yù)測(cè)最常用的模型）。4個(gè)模型構(gòu)建與訓(xùn)練的參數(shù)設(shè)置如表3所示。

BGRU+CRF模型與單獨(dú)的BGRU模型的參數(shù)設(shè)置基本相同，不同在于前者的最后一層是CRF（Keras-Contrib中帶的CRF模塊），而后者使用的是Softmax激活函數(shù)，每個(gè)詞可能取15個(gè)標(biāo)簽之一（本實(shí)驗(yàn)實(shí)際用到了15個(gè)標(biāo)簽，用one-hot編碼），取最大概率的值。實(shí)驗(yàn)使用的詞向量是根據(jù)本實(shí)驗(yàn)的語(yǔ)料生成的，通過(guò)多次實(shí)驗(yàn)我們選擇的詞向量維度為300。窗口大小90表示使用的輸入句子最大長(zhǎng)度是90，即一條評(píng)論句子由90個(gè)單詞構(gòu)成（包括標(biāo)點(diǎn)符號(hào)），不足部分用4.1中提到的“PAD”填充。實(shí)驗(yàn)中，對(duì)于BGRU+CRF模型，使用詞性和沒(méi)有使用詞性也分別做了實(shí)驗(yàn)。

實(shí)驗(yàn)中單獨(dú)的CRF模型使用的是Python支持的Pycrfsuite套件。輸入數(shù)據(jù)是單詞和詞性的組合數(shù)據(jù)，為防止過(guò)擬合，設(shè)置了CRF的懲罰系數(shù)L1、L2。

4.3 實(shí)驗(yàn)評(píng)估與結(jié)果分析

以下用3個(gè)模型代表BGRU+CRF、單獨(dú)的BGRU和單獨(dú)的CRF。

4.3.1 3個(gè)模型算法的整體評(píng)估

考慮到序列標(biāo)注的分類(lèi)預(yù)測(cè)自身的特點(diǎn)，也即盡管其也是一個(gè)多分類(lèi)問(wèn)題，但在NER識(shí)別中，更關(guān)注的是有意義標(biāo)簽的分類(lèi)的正確性，而不是所有分類(lèi)標(biāo)簽的正確性。即在評(píng)估模型的精度（Precision）、召回率（Recall）和F1值（f1-score）時(shí)，不考慮標(biāo)簽O，只考慮標(biāo)簽B、I構(gòu)成的標(biāo)簽的評(píng)估。3個(gè)模型的評(píng)估結(jié)果如表4所示。

通過(guò)實(shí)驗(yàn)我們看出，CRF模型確實(shí)體現(xiàn)了其在序列預(yù)測(cè)上的能力，單獨(dú)CRF模型訓(xùn)練速度也較快，實(shí)驗(yàn)中同樣的數(shù)據(jù)量，4秒不到就完成訓(xùn)練。BGRU+CRF比單獨(dú)的CRF模型高幾個(gè)百分點(diǎn)的原因是其在輸入和輸出時(shí)都利用了上下文關(guān)系，因此比較適合做文本的序列分析。單獨(dú)的BGRU使用Softmax作為輸出，只是在輸入信息時(shí)利用GRU獲取了上下文關(guān)系，而Softmax輸出時(shí)，沒(méi)有利用這些關(guān)系，所有評(píng)估值都較差。

對(duì)于BGRU+CRF模型，我們也對(duì)比實(shí)驗(yàn)了詞性對(duì)實(shí)驗(yàn)結(jié)果的影響。理論上，在已知單詞序列上，再增加一個(gè)已知詞性序列，對(duì)求未知的標(biāo)注序列的分類(lèi)預(yù)測(cè)時(shí)應(yīng)更有幫助。但實(shí)驗(yàn)結(jié)果卻是無(wú)詞性的比有詞性的評(píng)估效果更好。我們檢查了詞性情況，發(fā)現(xiàn)分詞軟件在分詞時(shí)，給單詞的詞性的質(zhì)量上還是有問(wèn)題，我們對(duì)比了幾個(gè)軟件，都還有待提高。

4.3.2 3個(gè)模型算法的分類(lèi)評(píng)估

本實(shí)驗(yàn)中，我們用序列標(biāo)注的標(biāo)簽值代表實(shí)體與屬性。對(duì)實(shí)體與屬性的相應(yīng)標(biāo)簽值的分類(lèi)實(shí)驗(yàn)預(yù)測(cè)結(jié)果分析如表5所示。表中的P值是Precision值。

實(shí)驗(yàn)結(jié)果表明，使用到CRF模型在實(shí)體與屬性的標(biāo)簽分類(lèi)預(yù)測(cè)上基本上都取得80%以上的評(píng)測(cè)結(jié)果，而且BGRU+CRF模型都要好于單獨(dú)的CRF模型，同樣的單獨(dú)的BGRU表現(xiàn)都不好。通過(guò)對(duì)幾個(gè)評(píng)測(cè)指標(biāo)較高和較低的進(jìn)一步分析，發(fā)現(xiàn)樣本量對(duì)分類(lèi)預(yù)測(cè)結(jié)果有較大影響，樣本量的增加會(huì)提升標(biāo)簽分類(lèi)預(yù)測(cè)的正確率。例如I-E評(píng)估指標(biāo)較差，原因就是樣本中含有組合標(biāo)簽I-E的數(shù)量遠(yuǎn)小于B-E的數(shù)量。

4.3.3 模型優(yōu)化

眾所周知，模型的質(zhì)量取決于2個(gè)方面：訓(xùn)練數(shù)據(jù)的質(zhì)量和模型算法的質(zhì)量。對(duì)訓(xùn)練語(yǔ)料的質(zhì)量控制在第4部分已經(jīng)簡(jiǎn)單提及，這一塊還有較大的提升空間。而影響模型算法質(zhì)量的因素有很多種，在BGRU中主要是調(diào)參。實(shí)驗(yàn)中，主要根據(jù)表6來(lái)調(diào)參。我們嘗試改變模型構(gòu)建過(guò)程當(dāng)中涉及到的變量和參數(shù)，以期尋找最佳的組合。

實(shí)驗(yàn)中，手工改變參數(shù)，通過(guò)多次實(shí)驗(yàn)，表3中的默認(rèn)值是效果比較好的參數(shù)。

4.4 實(shí)體—屬性確認(rèn)

通過(guò)前面的實(shí)驗(yàn)，模型可以以比較高的準(zhǔn)確率，抽取出在線(xiàn)評(píng)論中實(shí)體與屬性。下面的任務(wù)是要確認(rèn)每條評(píng)論中抽取出的實(shí)體與屬性是否有對(duì)應(yīng)關(guān)系。目前，本文采用的方法是用3.4初始化的實(shí)體—屬性關(guān)系數(shù)據(jù)來(lái)保證實(shí)體與屬性的對(duì)應(yīng)關(guān)系，實(shí)際應(yīng)用時(shí)，還需要一定的人工審核。后續(xù)的研究計(jì)劃將利用深度學(xué)習(xí)自動(dòng)確認(rèn)實(shí)體—屬性的對(duì)應(yīng)關(guān)系。

5 總結(jié)與展望

本文提出了一種實(shí)體—屬性的抽取方法，將傳統(tǒng)的大量依賴(lài)映射詞表與規(guī)則的比較繁瑣實(shí)體屬性抽取，簡(jiǎn)化為文本序列標(biāo)注。然后利用深度神經(jīng)網(wǎng)絡(luò)BGRU綜合學(xué)習(xí)利用語(yǔ)料上下文的語(yǔ)義關(guān)系，并有效地利用條件隨機(jī)場(chǎng)（CRF）在序列標(biāo)簽上的預(yù)測(cè)能力，提高模型的輸出效果。相比較單獨(dú)的BGRU和單獨(dú)的CRF模型，本文的方法在實(shí)體—屬性的抽取上取得了較好的效果。

本文模型算法的評(píng)估指標(biāo)還可以進(jìn)一步提高，而且組合標(biāo)簽的預(yù)測(cè)準(zhǔn)確率還比較低，下一步可考慮加大語(yǔ)料量，同時(shí)引入新的深度學(xué)習(xí)技術(shù)，例如遷移學(xué)習(xí)、注意力機(jī)制（Attention）等，探索不斷提升實(shí)體—屬性抽取的效果與質(zhì)量，同時(shí)做好模型的相關(guān)應(yīng)用推廣。

參考文獻(xiàn)

[1]Doddington G R，Mitchell A，Przybocki M A，et al.The Automatic Content Extraction（ACE）Program-Tasks，Data，and Evaluation[C]//LREC，2004，（2）：1.

[2]趙琦，劉建華，馮浩然.從ACE會(huì)議看信息抽取技術(shù)的發(fā)展趨勢(shì)[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2008，（3）：18-23.

[3]Grishman R，Sundheim B.Message Understanding Conference-6：A Brief History[C]//Proceedings of the 16th Conference on Computational Linguistics-Volume 1.Association for Computational Linguistics，1996：466-471.

[4]黃勛，游宏梁，于洋.關(guān)系抽取技術(shù)研究綜述[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2013，（11）：30-39.

[5]Liu H，Chen C，Zhang L，et al.The Research of Label-Mapping-Based Entity Attribute Extraction[C]//IEEE International Conference on Progress in Informatics and Computing.IEEE，2011：635-639.

[6]Li C X，Chen P，Wang R J，et al.Web Entity Extraction Based on Entity Attribute Classification[C]//International Conference on Machine Vision.International Society for Optics and Photonics，2011：39.

[7]曾道建，來(lái)斯惟，張?jiān)?，?面向非結(jié)構(gòu)化文本的開(kāi)放式實(shí)體屬性抽取[J].江西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，37（3）：279-283.

[8]劉倩，伍大勇，劉悅，等.結(jié)合全局特征的命名實(shí)體屬性值抽取[J].計(jì)算機(jī)研究與發(fā)展，2016，53（4）：941-948.

[9]Zhong B，Kong L，Liu J.Entity Attribute Extraction from Unstructured Text with Deep Belief Network[C]//Advanced Science and Technology，2016：429-433.

[10]蘇豐龍，謝慶華，邱繼遠(yuǎn)，等.基于深度學(xué)習(xí)的領(lǐng)域?qū)嶓w屬性詞聚類(lèi)抽取研究[J].微型機(jī)與應(yīng)用，2016，35（1）：53-55.

[11]Gridach M，Haddad H，Mulki H.FNER-BGRU-CRF at Cap 2017 NER Challenge：Bidirectional GRU-CRF for French Named Entity Recognition in Tweets[C]//Cap，2017.

[12]Huang Z，Xu W，Yu K.Bidirectional LSTM-CRF Models for Sequence Tagging.ArXiv Preprint ArXiv：1508.01991，2015.

[13]Keras中文文檔[EB/OL].http：//keras-cn.readthedocs.io/en/latest/.

[14]Chung J，Gulcehre C，Cho K H，et al.Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J].Eprint Arxiv，2014.

[15]Mccallum A.Efficiently Inducing Features of Conditional Random Fields[J].Computer Science，2003，19（4）：1.

[16]Mikolov T，Karafiát M，Burget L，et al.Recurrent Neural Network Based Language Model[C]//INTERSPEECH 2010，Conference of the International Speech Communication Association，Makuhari，Chiba，Japan，September.DBLP，2010：1045-1048.

[17]Lawrence S，Giles C L，Tsoi A C.Convolutional Neural Networks for Face Recognition[C]//Computer Vision and Pattern Recognition，1996.Proceedings CVPR96，1996 IEEE Computer Society Conference on.IEEE，1997：217-222.

[18]Hihi S E，Bengio Y.Hierarchical Recurrent Neural Networks for Long-Term Dependencies[C]//International Conference on Neural Information Processing Systems.MIT Press，1995：493-499.

[19]Gers F A，Schmidhuber J，Cummins F.Learning to Forget：Continual Prediction with LSTM.[C]//Artificial Neural Networks，1999.ICANN 99.Ninth International Conference on.IET，2002：2451.

[20]Zhang S，Qin Y，Wen J，et al.Word Segmentation and Named Entity Recognition for SIGHAN Bakeoff3[C]//Proceedings of the Fifth SIGHAN Workshop on Chinese Language Processing，2006：158-161.

[21]Mikolov T，Chen K，Corrado G，et al.Efficient Estimation of Word Representations in Vector Space[J].ArXiv Preprint ArXiv：1301.3781，2013.

[22]王仁武，宋家怡，陳川寶.基于Word2vec的情感分析在品牌認(rèn)知中的應(yīng)用研究[J].圖書(shū)情報(bào)工作，2017，61（22）：6-12.

[23]Abadi M，Barham P，Chen J，et al.TensorFlow：A System for Large-Scale Machine Learning[C]//OSDI，2016，16：265-283.

[24]Lin X D，Peng H，Liu B.Chinese Named Entity Recognition using Support Vector Machines[C]//International Conference on Machine Learning and Cybernetics.IEEE，2009：4216-4220.

（責(zé)任編輯：陳 媛）