0 引言

    命名實體識別（Named Entity Recognition）是指識別文本中的各種實體，如人名、地名、機構名或其他特有標識^[1]，是自然語言處理（Natural Language Processing，NLP）中非常重要的一項基礎性技術。近年來，Twitter、新浪微博等新型社交平臺發展迅速，成為命名實體識別的新方向。RITTER A^[2]等人設計了一個應用于Twitter上的T-NER系統，重構了命名實體識別的流程。TURIAN J等人^[3]利用半監督的系統進行命名實體識別，大大減少了識別的成本。Liu Xiaohua等人^[4]在一個半監督的框架下把K近鄰分類器和CRF模型結合起來，識別Twitter中的命名實體，取得了較好的效果。

    上述工作都是基于Twitter的，沒有考慮中文的深層語義，且多使用有限自建數據集，沒有考慮人工標記的代價和不足，因此需要加以改進。本文研究面向中文微博的命名實體識別，將識別視為一個序列標注問題，通過改進的基于概率模型的算法優化識別效果。針對微博文本短小、信息量少和文體不正規、語意含糊的特點，引入外部數據源提取深層語義特征；針對微博數據集人工處理代價大的問題，引入主動學習算法，以較小的人工代價獲得識別效果的提升。

1 面向微博的命名實體識別方法

    參照CoNLL2003的標準，給定一條微博，需要識別出其中的人名、地名、機構名和其他實體共4類命名實體^[5]。

    研究的基礎模型采用了CRF^[6]模型。

1.1 特征選取

    基礎特征采用當前詞和前后位置詞的詞型和詞性特征，這也是大多數CRF模型會采用的特征。由此生成的模型作為基礎模型，對應的實驗結果作為基線。

1.1.1 主題特征

    (Latent Dirichlet Allocation，LDA)模型^[7]是一種無監督的概率主題模型。每個主題下都分布著出現概率較高的詞語，這些詞都與這個主題有很強的相關性，利用這種相關性能在一定程度上解決一詞多義、同義詞等問題。模型的訓練使用了外部數據源，主題個數k可以事先指定。

    獲得LDA模型后，對于給定k個主題，通過p(w|t)，將每個主題視為一個特征，將訓練集中的每個詞看作是由k個特征表示的K維向量，則每個詞都可以表示成一個k維向量，即：

其中，v_i表示第i個詞的向量，λ_k表示該詞在第k個主題上的權重，N是詞表的大小。

1.1.2 詞向量特征

    詞向量源于HINTON G E^[8]提出的Distributed Representation。一個流行的詞向量訓練工具是word2vec，由MIKOLOV T^[9]于2013年提出。word2vec能把詞映射到d維的向量空間，用向量空間的相似度表示文本語義上的相似度，有利于解決微博語義含糊的問題。

    詞向量一般有200～500維，如果直接將詞向量作為特征引入CRF模型，則計算量過大。這里需要利用的是其相似性，因此可以用聚類的方法進行簡化。實驗中選擇將詞語表示為200~500維的詞向量，再利用k-means進行聚類，將類別作為特征輸入模型。特別需要指出的是，相比采用單一的聚類結果，更好的辦法是多層聚類（multi-layer cluster）。

1.2 模型強化

    人工處理微博語料人工處理代價高昂，為了以最小的人工代價獲得最大的系統性能提升，研究采用了主動學習算法。主動學習算法包含兩部分，一個是分類器，另一個是抽樣策略^[10]。分類器采用前文所述的改進型CRF模型。抽樣策略可采用如下方法。

    抽樣不確定度是一中常見的衡量樣本信息含量的方法，在序列標注模型中，可以根據最小置信度（Least Confidence）φ^LC(x)來確定抽樣不確定度。

其中，x表示一個樣本，y^*是對應概率最大的標記。對于一個訓練好的CRF模型，可以在對每條微博進行標記的同時輸出對應概率P。現給出整個算法框架。

    算法1：基于置信度的主動學習算法

    輸入：有標記語料D_L、未標記語料D_U

    輸出：分類器C

        用D_L訓練分類器C（CRF classifier）

        重復：

2 實驗

    實驗用到了3個數據集，分別是訓練集、擴展集和測試集。其中3 000條標記語料作為訓練集，2 000條標記語料作為測試集。另外2 000條作為擴展集用于主動學習，不需標注。另有500萬條經過除重去噪的微博作為外部源，分別用于LDA模型訓練和詞向量模型訓練，供抽取外部特征使用。

2.1 評價標準

    本文采用的評價標準包括準確率P（Precision）、召回率R（Recall）和F₁值（F₁-measure）3個指標。F₁是準確率和召回率的調和平均值，是一個綜合性的指標。

2.2 實驗數據及分析

    (1)使用訓練集提取基礎特征，建立基礎模型，在測試集上進行評估。結果如表1所示。此結果將作為基線與后續實驗結果進行對比。

    (2)引入外部特征進行了多組實驗。圖1左側是引入主題特征后的提升效果，雖然有效果但不明顯。圖1右側是將400維的詞向量進行聚類后作為特征引入模型的效果。F₁值在聚類個數為400時達到了63.96%，較基線有明顯提升。究其原因，主要是詞向量的分量中隱含了豐富的上下文語法和語義信息，而LDA模型內部采用了詞袋模型，僅考慮了詞的共現關系而沒有考慮上下文關系，這樣簡化了模型，但不可避免地帶來了信息的損失。

    多層聚類的實驗效果如圖2所示，每個維度下前4個柱圖表示單層聚類（分別是聚成200、300、400、500個類簇）時的效果，最后一個表示同時使用前4個聚類結果作為多層聚類時的效果，顯然效果比單層聚類更好。

    同時將所有的外部特征添加到基礎模型進行實驗，F₁值提高到65.41%。

    (3)采用主動學習的方法進一步強化模型。提升效果如圖3所示。詳細的數據參見表2。曲線Model_ba表示僅用外部特征而不進行主動學習的模型效果。曲線Model_la表示把一次性把包括訓練集D_L和擴展集D_U在內的所有語料都進行標記（label all）并用于模型訓練。Model_al1、Model_al2和model_al3是使用主動學習策略但閾值不同的模型。總體看，無論是取哪個閾值，相比不進行主動學習，主動學習都能提高F₁值，且收斂速度很快。

    表2進一步說明了主動學習的優點。Model_la需要標記微博2 080條，約9萬個詞，人工代價太大。相比之下，3個主動學習模型能明顯降低人工標記量。其中Model_al2比Model_al3的F₁值要高0.25%，標記量僅提升了12.9%；而Model_al1與Model_al2相比，F₁值僅提升了0.1%，但代價是標記量提升了17%，且多迭代了兩次。綜合考慮，取Model_al2作為最終的實驗結果。此時僅需標記457條微博，約37 000個標記，F₁值達到67.23%，相較最初的模型提升4.54%。

3 結語

    本文提出了一種面向中文微博的命名實體識別方法，先引入外部特征訓練CRF模型，再采用主動學習算法強化訓練結果。實際工作中發現，中文分詞效果不佳影響了后續的工作，主動學習仍然引入了二次標記，不利于大規模的識別任務。這些都需要在以后的工作中加以改進。

參考文獻

[1] NADEAU D，SEKINE S.A survey of named entity recognition and classification[J].Lingvisticae Investigationes，2007，30(1)：3-26.

[2] RITTER A，CLARK S，ETZIONI O.Named entity recognition in tweets: an experimental study[C].Proceedings of the Conference on Empirical Methods in Natural Language Processing.Association for Computational Linguistics，2011：1524-1534.

[3] TURIAN J，RATINOV L，BENGIO Y.Word representations：a simple and general method for semi-supervised learning[C].Proceedings of the 48th annual meeting of the association for computational linguistics.Association for Computational Linguistics，2010：384-394.

[4] Liu Xiaohua，Zhang Shaodian，Wei Furu，et al.Recognizing named entities in tweets[C].Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics：Human Language Technologies-Volume 1. Association for Computational Linguistics，2011：359-367.

[5] TJONG KIM SANG E F，DE MEULDER F.Introduction to the CoNLL-2003 shared task：Language-independent named entity recognition[C].Proceedings of the seventh conference on Natural language learning at HLT-NAACL 2003-Vol-ume 4.Association for Computational Linguistics，2003：142-147.

[6] LAFFERTY J D，MCCALLUM A，PEREIRA F C N.Conditional random fields：probabilistic models for segmenting and labeling sequence data[C].Eighteenth International Conference on Machine Learning.Morgan Kaufmann Publishers Inc.，2001：282-289.

[7] BLEI D M，NG A Y，JORDAN M I.Latent dirichlet allocation[J].Journal of Machine Learning Research，2003，3：993-1022.

[8] HINTON G E.Learning distributed representations of concepts[C].Proceedings of the Eighth Annual Conference of the Cognitive Science Society，1986，1：12.

[9] MIKOLOV T，SUTSKEVER I，CHEN K，et al.Distributed representations of words and phrases and their compositionality[C].Advances in Neural Information Processing Systems，2013：3111-3119.

[10] WU Y，KOZINTSEV I，BOUGUET J Y，et al.Sampling strategies for active learning in personal photo retrieval[C].Multimedia and Expo，2006 IEEE International Conference on.IEEE，2006：529-532.