基於神經網路的命名實體識別 NeuroNER

選自Neuroner

機器之心編譯

參與：李亞洲

本文主要介紹了一種基於神經網路的命名實體識別系統 NeuroNER，並附上了安裝、下載的項目地址，希望對自然語言處理感興趣的同學有所幫助。

NeuroNER 下載項目地址：https://github.com/Franck-Dernoncourt/NeuroNER

什麼是命名實體識別（NER）？

NER 旨在識別文本中的有趣實體，例如位置、組織和時序表達。識別實體可被用於各種下游應用，比如病歷去識別化（de-identification）和信息提取系統，也可作為其他自然語言處理任務機器學習系統的特徵。

NeuroNER 能做什麼？

NeuroNER 是一個能完成 NER 任務的項目：

NeuroNER 相比於已由的 NER 系統，能提供以下優勢：

• 利用神經網路的頂尖預測能力（也就是深度學習）

• 讓用戶能夠創造新的語料庫或修改已有語料庫

• 它是跨平台的、開源的、免費直接使用的

如何使用 NeuroNER?

下圖對 NeuroNER 的功能做出了簡要介紹，具體描述如下：

• 訓練神經網路完成 NER 任務。在訓練的過程中，NeuroNER 允許監控網路。

• 評估 NeuroNER 所做預測的質量。表現標準可通過預測標籤與金色標籤的對比來計算、標繪。如果測試集與訓練和驗證集同時提供，評估也可在訓練的同時完成，或者在訓練後分開完成，或者使用預訓練模型。

• 部署 NeuroNER 作為產品使用：NeuroNER 標記了部署集，也就是沒有金色標籤的新文本。

NeuroNER 引擎如何工作？

NeuroNER 引擎基於人工神經網路，特別是依賴一種循環神經網路的變體 LSTM。NER 引擎的人工神經網路包含三層：

• 字元增強的 token 嵌入（Character-enhanced token-embedding）層

• 標籤預測層

• 標籤序列優化層

下圖展現了 NeuroNER 引擎中用到的人工神經網路的架構：

如何安裝 NeuroNER

GitHub 上的 repository 解釋了安裝指南，以下視頻展示了使用安裝腳本在 Ubuntu 上進行安裝有多麼簡單：腳本會安裝你所需的所有東西，然後在 CoNLL-2003 數據集上進行訓練。在數個訓練 epoch 之後，模型獲得了頂尖的成果。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！