NER-LSTM-CRF

An easy-to-use named entity recognition (NER) toolkit, implemented the LSTM+[CNN]+CRF model in tensorflow.

1. Model

Bi-LSTM/Bi-GRU + [CNN] + CRF，其中CNN层针对英文，捕获字符层面特征，通过参数use_char_feature控制self.nil_vars.add(self.feature_weight_dict[feature_name].name)。

2. Usage

2.1 数据准备

训练数据处理成下列形式，特征之间用制表符(或空格)隔开，每行共n列，1至n-1列为特征，最后一列为label。

苏   NR   B-ORG
州   NR   I-ORG
大   NN   I-ORG
学   NN   E-ORG
位   VV   O
于   VV   O
江   NR   B-GPE
苏   NR   I-GPE
省   NR   E-GPE
苏   NR   B-GPE
州   NR   I-GPE
市   NR   E-GPE

2.2 修改配置文件

Step 1: 将上述训练文件的路径写入配置文件config.yml中的data_params/path_train参数里；

Step 2: 以上样例数据中每行包含三列，分别称为f1、f2和label，首先需要将需要将model_params/feature_names设置为['f1', 'f2']，并将embed_params下的名称改为相应的feature name，其中的shape参数需要通过预处理之后才能得到(Step 3)，path_pre_train为预训练的词向量路径，格式同gensim生成的txt文件格式；

Step 3: 修改data_params下的参数：该参数存放特征和label的voc(即名称到编号id的映射字典)，改为相应的路径。

注：处理中文时，将char_feature参数设为false；处理英文时，设为true。

2.3 预处理

$ python/python3 preprocessing.py

预处理后，会得到各个特征的item数以及label数，并自动修改config.yml文件中各个feature的shape参数，以及nb_classes参数；

句子的最大长度参数sequence_length由参数sequence_len_pt控制，默认为98，即计算所得的句子长度sequence_length覆盖了98%的实例，可根据实际情况作调整；

需要注意的是，若提供了预训练的embedding向量，则特征embedding的维度以预训练的向量维度为准，若没有提供预训练的向量，则第一列的特征向量维度默认为64，其余特征为32，这里可以根据实际情况进行调整。

2.４ 训练模型

训练模型：根据需要调整其余参数，其中dev_size表示开发集占训练集的比例（默认值为0.1），并运行：

$ python/python3 train.py

2.５ 标记数据

标记数据：config.yml中修改相应的path_test和path_result，并运行：

$ python/python3 test.py

2.6 参数说明

	参数	说明
1	rnn_unit	str，['lstm', 'gru']，模型中使用哪种单元，用户设置，默认值lstm
2	num_units	int，bilstm/bigru单元数，用户设置，默认值256
3	num_layers	int，bilstm/bigru层数，用户设置，默认值1
4	rnn_dropout	float，lstm/gru层的dropout值，用户设置，默认值0.2
5	use_crf	bool，是否使用crf层，用户设置，默认值true
6	use_char_feature	bool，是否使用字符层面特征（针对英文），用户设置，默认值false
7	learning_rate	float，学习率，用户设置，默认值0.001
8	dropout_rate	float，bilstm/bigru输出与全连接层之间，用户设置，默认值0.5
9	l2_rate	float，加在全连接层权重上，用户设置，默认值0.001
10	clip:	None or int, 梯度裁剪，用户设置，默认值10
11	dev_size	float between (0, 1)，训练集中划分出的开发集的比例，shuffle之后再划分，用户设置，默认值0.2
12	sequence_len_pt	int，句子长度百分数，用于设定句子最大长度，用户设置，默认值98
13	sequence_length	int，句子最大长度，由参数sequence_len_pt计算出，无需设置
14	word_len_pt	int，单词长度百分数，用于设定单词最大长度，只有在use_char_feature设为true时才会使用，用户设置，默认值95
15	word_length	int，单词最大长度，由参数word_len_pt计算出
16	nb_classes	int，标签数，自动计算，无需设置
17	batch_size	int，batch size，用户设置，默认值为64
18	nb_epoch	int，迭代次数，用户设置
19	max_patience	int，最大耐心值，即在开发集上的表现累计max_patience次没有提升时，训练即终止，用户设置，默认值5
20	path_model	str，模型存放路径，用户设置，默认值值./Model/best_model
21	sep	str，['table', 'space']，表示特征之间的分隔符，用户设置，默认值table
22	conv_filter_size_list	list，当使用char feature时，卷积核的数量，用户设定，默认值[8, 8, 8, 8, 8]
23	conv_filter_len_list	list，当使用char feature时，卷积核的尺寸，用户设定，默认值[1, 2, 3, 4, 5]
24	conv_dropout	卷积层的dropout rate
25	Other parameters	......

3. Utils

一些小工具，包括：

• train_word2vec_model.py: 利用gensim训练词向量；
• trietree.py: 构建Trie树，并实现查找（待优化），可用于构建字典特征；
• KeywordExtractor，trietree.py用KeywordExtractor库代替，提供更多接口；
• updating...

4. Requirements

• numpy
• tensorflow 1.4
• pickle
• tqdm
• yaml

5. References

• 参考论文：http://www.aclweb.org/anthology/N16-1030
• 参考项目：https://github.com/koth/kcws ; https://github.com/chilynn/sequence-labeling

待更新:  (1) 添加计算转移矩阵的部分； (2) 分布式训练。