基于 Transformers 的 NER

Reference：【HuggingFace Transformers-实战篇】命名实体识别

任务简介

命名实体识别（Named Entity Recognition, NER）是信息抽取的一个子任务，旨在提取文本信息中的关键实体并识别其类型，常见的通用类型有PER（人物）、LOC（位置）、ORG（组织）等。 目前常见的数据标注方法有：IOB1、IOB2、IOOES、IOE等。

以IOB2为例，I表示实体内部，O表示实体外部，B表示实体开始，一般的数据格式如下：乔，B-PER、布，I-PER、斯，I-PER。如果是IOBES标注，E表示实体的结束，S表示一个词单独构成一个实体。有时会用M替代I，本质上是一个意思。

任务评估指标

• Precision (P) ：预测正确的实体个数 / 预测出的实体个数（预测出的不一定对）；
• Recall (R) ：预测正确的实体个数 / 实际上的实体个数；
• F1：F1认为准确率P和召回率R同等重要，\(F_1=\frac {2PR}{P+R}\)。（还有F2和F0.5）

基于Transformers的中文命名实体识别

对于中文来说，token是每个字，实际上模型是对每个token进行标签分类，模型结构选择 ModelForTokenClassification。数据集选择peoples_daily_ner，模型选择hfl/chinese-macbert-base。

Step1 导入相关包

import evaluate
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForTokenClassification, TrainingArguments, Trainer, DataCollatorForTokenClassification

Step2 加载数据集

# 从本地加载数据集
from datasets import DatasetDict
ner_datasets = DatasetDict.load_from_disk("ner_data")

可以看到，在这个数据集中已经做了标签的映射，厦门、金门分别对应5、6分别对应B-LOC、I-LOC。

# 获取标签列表
label_list = ner_datasets["train"].features["ner_tags"].feature.names

Step3 数据集预处理

对于分词后的数据（中文就是分字），要指定is_split_into_words=True，不然会对每个字都包裹 [CLS] 和[SEP] ，实际上对每句话包裹 [CLS] 和 [SEP] 就可以了。

未指定is_split_into_words=True

指定is_split_into_words=True

此外，在计算的过程中，我们要让模型知道哪些是有实际语义、哪些是 [CLS]、[SEP] 这种特殊符号，因此还要遍历word_ids，将 [CLS]、[SEP] 对应的None值置为-100，这个值是交叉熵损失函数计算时会自动忽略的值。将每句话最后得到的编码结果用label_ids存储起来，写入字段labels。

tokenizer = AutoTokenizer.from_pretrained("hfl/chinese-macbert-base")

# 借助 word_ids 实现标签映射
def process_function(examples):
    tokenized_exmaples = tokenizer(examples["tokens"], max_length=128, truncation=True, is_split_into_words=True)
    labels = []
    for i, label in enumerate(examples["ner_tags"]):
        word_ids = tokenized_exmaples.word_ids(batch_index=i)
        label_ids = []
        for word_id in word_ids:
            if word_id is None:
                label_ids.append(-100)
            else:
                label_ids.append(label[word_id])
        labels.append(label_ids)
    tokenized_exmaples["labels"] = labels
    return tokenized_exmaples

tokenized_datasets = ner_datasets.map(process_function, batched=True)

这里借助word_ids来进行标签映射的原因是，对于中文，一个字对应一个label；但对于英文单词的分词，比如说interesting word，虽然是两个单词但分词后是对应了五个位置的编码的，所以要借助word_ids来区分这五个编码里哪几个是interesting，哪几个是word。即使interesting被分成很多词，label_ids.append(label[word_id])会让它的所有分词结果对应同一个标签。

interesting word的编码结果

interesting word的word_ids

最后，数据集的特征除了原始字段，多了tokenizer带来的三个字段，以及每句话的编码结果labels。

Step4 创建模型

分词完成后，创建一个AutoModelForTokenClassification模型。对于所有的非二分类任务，切记要指定num_labels，否则会报device错误。

model = AutoModelForTokenClassification.from_pretrained("hfl/chinese-macbert-base", num_labels=len(label_list))

Step5 创建评估函数

命名实体识别任务要用到一个序列评估函数seqeval，可以pip安装也可以从下载后从本地加载。

import numpy as np

# 本地加载 seqeval
seqeval = evaluate.load("seqeval_metric.py")

def eval_metric(pred):
    predictions, labels = pred
    predictions = np.argmax(, axis=-1)

    # 将id转换为原始的字符串类型的标签
    true_predictions = [
        [label_list[p] for p, l in zip(prediction, label) if l != -100]
        for prediction, label in zip(predictions, labels) 
    ]

    true_labels = [
        [label_list[l] for p, l in zip(prediction, label) if l != -100]
        for prediction, label in zip(predictions, labels) 
    ]

    result = seqeval.compute(predictions=true_predictions, references=true_labels, mode="strict", scheme="IOB2")

    return {
        "f1": result["overall_f1"]
    }

Step6 配置训练参数

args = TrainingArguments(
    output_dir="models_for_ner",
    per_device_train_batch_size=64,
    per_device_eval_batch_size=128,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    metric_for_best_model="f1",
    load_best_model_at_end=True,
    logging_steps=50,
    num_train_epochs=1
)

Step7 创建训练器

trainer = Trainer(
    model=model,
    args=args,
    train_dataset=tokenized_datasets["train"],
    eval_dataset=tokenized_datasets["validation"],
    compute_metrics=eval_metric,
    data_collator=DataCollatorForTokenClassification(tokenizer=tokenizer)
)

Step8 模型训练

trainer.train()

Step9 模型评估

可以在测试集上对模型进行评估。

trainer.evaluate(eval_dataset=tokenized_datasets["test"])

Step10 模型预测

使用pipeline使用模型进行预测。可以发现预测结果是按token返回的，并且对应的标签是LABEL_3，这是因为模型config里默认的id2label是这样对应的。

重新写一个id2label对默认的进行覆盖。

model.config.id2label = {idx: label for idx, label in enumerate(label_list)}

此外，对于NER任务，如果不希望token的标签是一个一个返回，可以指定aggregation_strategy="simple"让模型返回完整实体。如果模型是基于GPU训练的，那么推理时要指定device=0。

from transformers import pipeline

ner_pipe = pipeline("token-classification", model=model, tokenizer=tokenizer, device=0, aggregation_strategy="simple")
res = ner_pipe("小明在北京上班")

最后得到的结果是这样的，可以发现词与词之间使用空格的，因为tokenizer在解码时默认会用空格连接token。

可以通过start和end进行取词。进一步规整预测结果。

# 根据start和end取实际的结果
ner_result = {}
x = "小明在北京上班"
for r in res:
    if r["entity_group"] not in ner_result:
        ner_result[r["entity_group"]] = []
    ner_result[r["entity_group"]].append(x[r["start"]: r["end"]])