本文中，小猴子和大家一起學(xué)習(xí)如何預(yù)訓(xùn)練 BERT 模型來識別文本中每個(gè)單詞的實(shí)體。

在處理 NLP 問題時(shí)，BERT 經(jīng)常作為一種機(jī)器學(xué)習(xí)模型出現(xiàn)，我們可以依靠它的性能。事實(shí)上，它已經(jīng)對超過 2,500M 的單詞進(jìn)行了預(yù)訓(xùn)練，并且其從單詞序列中學(xué)習(xí)信息的雙向特性使其成為一個(gè)強(qiáng)大的模型。

小猴子之前寫過關(guān)于如何利用 BERT 進(jìn)行文本分類的文章：保姆級教程，用PyTorch和BERT進(jìn)行文本分類，在本文中，我們將更多地關(guān)注如何將 BERT 用于命名實(shí)體識別 (NER) 任務(wù)。

什么是NER？

NER 是 NLP 中的一項(xiàng)基礎(chǔ)有很重要的任務(wù)，正所謂流水的NLP，鐵打的NER。NER(實(shí)體識別任務(wù))指的是識別出文本中的具有特定意義的短語或詞。實(shí)體可以是單個(gè)詞，甚至可以是指代同一類別的一組詞，通常包括人名、地名、組織名、機(jī)構(gòu)名和時(shí)間等。

例如，假設(shè)我們下面的句子，我們想從這個(gè)句子中提取有關(guān)地名的信息。

NER 任務(wù)的第一步是檢測實(shí)體。這可以是指代同一類別的一個(gè)詞或一組詞。舉個(gè)例子：

• '天安門' 由單個(gè)單詞組成的實(shí)體
• '北京天安門'由兩個(gè)詞組成的實(shí)體，但它們指的是同一類別。

為了確保 BERT 模型知道一個(gè)實(shí)體可以是單個(gè)詞或一組詞，那么我們需要通過所謂的Inside-Outside-Beginning (IOB)  標(biāo)記在訓(xùn)練數(shù)據(jù)上提供有關(guān)實(shí)體開始和結(jié)束的信息。

識別到實(shí)體后，NER 任務(wù)的下一步是對實(shí)體進(jìn)行分類。根據(jù)我們的用例，實(shí)體的類別可以是任何東西。以下是實(shí)體類別的示例：

• 人物：云朵君，小明，小猴子，詹姆斯，吳恩達(dá)
• 地點(diǎn)：北京，成都，上海，深圳，天府廣場
• 組織機(jī)構(gòu)：北京大學(xué)，華為，騰訊，華西醫(yī)院

命名實(shí)體識別的數(shù)據(jù)標(biāo)注方式

NER是一種序列標(biāo)注問題，因此他們的數(shù)據(jù)標(biāo)注方式也遵照序列標(biāo)注問題的方式，主要是BIO和BIOES兩種。這里直接介紹BIOES：

• B，即Begin，表示開始
• I， 即Intermediate，表示中間
• E，即End，表示結(jié)尾
• S，即Single，表示單個(gè)字符
• O，即Other，表示其他，用于標(biāo)記無關(guān)字符

BERT 用于 NER

運(yùn)用 BERT 解決與 NLP 相關(guān)的任務(wù)，是非常方便的。

如果你還不熟悉 BERT，我建議你在閱讀本文之前閱讀我之前關(guān)于使用 BERT 進(jìn)行文本分類的文章。在那里，詳細(xì)介紹了有關(guān) BERT 模型架構(gòu)、模型期望的輸入數(shù)據(jù)類型以及將從模型中獲得的輸出的信息。

BERT模型在文本分類和 NER 問題中的區(qū)別在于如何設(shè)置模型的輸出。對于文本分類問題，僅使用特殊 [CLS] token 的 Embedding 向量輸出。而 NER 任務(wù)中，需要使用所有 token 的 Embedding向量輸出，希望模型預(yù)測每個(gè) token 的實(shí)體，則通過使用所有token 的 Embedding向量輸出。

關(guān)于數(shù)據(jù)集

在本文中使用的數(shù)據(jù)集是 CoNLL-2003 數(shù)據(jù)集，它是專門用于 NER 任務(wù)的數(shù)據(jù)集。你可以通過下面的鏈接下載 Kaggle 上的數(shù)據(jù)。

NER數(shù)據(jù)命名實(shí)體識別數(shù)據(jù)

如圖所示，有一個(gè)由文本和標(biāo)簽組成的數(shù)據(jù)框。標(biāo)簽對應(yīng)于文本中每個(gè)單詞的實(shí)體類別。

總共有9個(gè)實(shí)體類別，分別是：

• geo ---> 地理實(shí)體
• org ---> 組織實(shí)體
• per ---> 個(gè)人實(shí)體
• gpe ---> 地緣政治實(shí)體
• tim ---> 時(shí)間指示器實(shí)體
• art ---> 工件實(shí)體
• eve ---> 事件實(shí)體
• nat ---> 自然現(xiàn)象實(shí)體
• O ---> 該單詞不屬于任何實(shí)體。

看一下數(shù)據(jù)集上可用的唯一標(biāo)簽：

# 根據(jù)空格拆分標(biāo)簽，并將它們轉(zhuǎn)換為列表
labels = [i.split() for i in df['labels'].values.tolist()]
# 檢查數(shù)據(jù)集中有多少標(biāo)簽
unique_labels = set()
for lb in labels:
  [unique_labels.add(i) for i in lb if i not in unique_labels]
print(unique_labels)

將每個(gè)標(biāo)簽映射到它的id表示，反之亦然：

labels_to_ids = {k: v for v, k in enumerate(sorted(unique_labels))}
ids_to_labels = {v: k for v, k in enumerate(sorted(unique_labels))}
print(labels_to_ids)

注意到，每個(gè)實(shí)體類別都以字母I或開頭B。這對應(yīng)于前面提到的 IOB 標(biāo)記。I 表示 Intermediate 以及 B 表示 Beginning?？匆幌孪旅娴木渥舆M(jìn)一步了解 IOB 標(biāo)記的概念。

• 'Kevin'有B-pers標(biāo)簽，它是個(gè)人實(shí)體的開始
• 'Durant'有I-pers標(biāo)簽，它是個(gè)人實(shí)體的延續(xù)
• 'Brooklyn'有B-org標(biāo)簽，它是一個(gè)組織實(shí)體的開始
• 'Nets' 有I-org標(biāo)簽，它是組織實(shí)體的延續(xù)
• 其他詞被分配O標(biāo)簽，它們不屬于任何實(shí)體

數(shù)據(jù)預(yù)處理

在能夠使用 BERT 模型對 token 級別的實(shí)體進(jìn)行分類之前，需要先進(jìn)行數(shù)據(jù)預(yù)處理，包括兩部分：tokenization 和調(diào)整標(biāo)簽以匹配 tokenization。

Tokenization

使用 HuggingFace 的預(yù)訓(xùn)練 BERT 基礎(chǔ)模型中的類BertTokenizerFast，可以輕松實(shí)現(xiàn) tokenization。

為了給你一個(gè)例子，BERT 標(biāo)記器是如何工作的，讓我們看一下我們數(shù)據(jù)集中的一個(gè)文本：

text = df['text'].values.tolist()
example = text[36]
print(example)

對上面的文本進(jìn)行標(biāo)記BertTokenizerFast非常簡單：

from transformers import BertTokenizerFast
tokenizer = BertTokenizerFast.from_pretrained('bert-base-cased')
text_tokenized = tokenizer(example, padding='max_length',
                           max_length=512, truncation=True,
                           return_tensors='pt')

從上面的BertTokenizerFast類調(diào)用tokenizer方法時(shí)，提供了幾個(gè)參數(shù)：

• padding: 用特殊的 [PAD] token將序列填充到指定的最大長度(BERT 模型的最大序列長度為 512)。
• max_length: 序列的最大長度。
• truncation: 這是一個(gè)布爾值。如果將該值設(shè)置為 True，則不會使用超過最大長度的token。
• return_tensors：返回的張量類型，取決于我們使用的機(jī)器學(xué)習(xí)框架。由于我們使用的是 PyTorch，所以我們使用pt。

以下是標(biāo)記化過程的輸出：

上下滑動(dòng)查看更多

從上面結(jié)果可見：從Tokenization輸出是一個(gè)字典，其中包含三個(gè)變量：

• input_ids：序列中標(biāo)記的 id 表示。在 BERT 中，101 為特殊 [CLS] token 保留的id，id 102 為特殊**[SEP]** token保留的id，id 0 為**[PAD]** token保留的id。
• token_type_ids：標(biāo)識一個(gè)token所屬的序列。由于每個(gè)文本只有一個(gè)序列，因此token_type_ids的所有值都將為 0。
• attention_mask：標(biāo)識一個(gè)token是真正的 token 還是 padding 得到的token。如果它是一個(gè)真正的token，則該值為 1，如果它是一個(gè) [PAD] token，則該值為 0。

綜上所述，可以使用'decode'方法，從上面的'input_ids'中將這些id解碼回原始序列，如下所示:

print(tokenizer.decode(text_tokenized.input_ids[0]))

在實(shí)現(xiàn)decode方法后，我們得到了原始序列，并且是添加了來自 BERT 的特殊標(biāo)記，例如序列開頭的 [CLS] token，序列末尾的 [SEP] token，以及為了滿足要求的最大長度 512 而設(shè)置的一堆 [PAD] token。

在 Tokenization 之后，需要進(jìn)行調(diào)整每個(gè) token 的標(biāo)簽。

Tokenization后調(diào)整標(biāo)簽

因?yàn)樾蛄械拈L度不再匹配原始標(biāo)簽的長度，因此這是在Tokenization之后需要做的一個(gè)非常重要的步驟。

BERT 分詞器在底層使用了所謂的 word-piece tokenizer，它是一個(gè)子詞分詞器。這意味著 BERT tokenizer 可能會將一個(gè)詞拆分為一個(gè)或多個(gè)有意義的子詞。

例如，還是使用上面的序列作為例子：

上面的序列總共有 13 個(gè)標(biāo)記，因此它也有 13 個(gè)標(biāo)簽。但是，在 BERT 標(biāo)記化之后，我們得到以下結(jié)果：

print(tokenizer.convert_ids_to_tokens(text_tokenized['input_ids'][0]))

在Tokenization之后需要解決兩個(gè)問題：

• 添加來自 BERT 的特殊 token，例如 [CLS]、[SEP] 和 [PAD]
• 一些 token 被子詞分詞器分成子詞。

詞片Tokenization將不常見的詞拆分為它們的子詞，例如上面示例中的' Geir '和' Haarde '。這種詞片Tokenization有助于 BERT 模型學(xué)習(xí)相關(guān)詞的語義。

而這種詞片Tokenization和 BERT 添加特殊token的結(jié)果是Tokenization后的序列長度不再匹配初始標(biāo)簽的長度。

從上面的例子來看，現(xiàn)在Tokenization后的序列中總共有 512 個(gè)token，而標(biāo)簽的長度仍然和以前一樣。此外，序列中的第一個(gè)token不再是單詞' Prime '，而是新添加的**[CLS]** token，因此我們也需要調(diào)整標(biāo)簽，以達(dá)到一一對應(yīng)的結(jié)果。使其與標(biāo)記化后的序列具有相同的長度。

如何實(shí)現(xiàn)標(biāo)簽調(diào)整呢？我們可以利用word_ids標(biāo)記化結(jié)果中的方法如下：

word_ids = text_tokenized.word_ids()
print(tokenizer.convert_ids_to_tokens(text_tokenized['input_ids'][0]))
print(word_ids)

從上面可以看出，每個(gè)拆分的 token 共享相同的 word_ids，其中來自 BERT 的特殊 token，例如 [CLS]、[SEP] 和 [PAD] 都沒有特定word_ids的，結(jié)果是None。

通過這些 word_ids，并使用以下兩種方法來調(diào)整標(biāo)簽的長度：

1. 只為每個(gè)拆分token的第一個(gè)子詞提供一個(gè)標(biāo)簽。子詞的延續(xù)將簡單地用'-100'作為標(biāo)簽。所有沒有word_ids 的token也將標(biāo)為 '-100'。
2. 在屬于同一 token 的所有子詞中提供相同的標(biāo)簽。所有沒有word_ids的token都將標(biāo)為 '-100'。

下面的函數(shù)演示上面定義。

def align_label_example(tokenized_input, labels):
        word_ids = tokenized_input.word_ids()
        previous_word_idx = None
        label_ids = []   
        for word_idx in word_ids:
            if word_idx is None:
                label_ids.append(-100)                
            elif word_idx != previous_word_idx:
                try:
                  label_ids.append(labels_to_ids[labels[word_idx]])
                except:
                  label_ids.append(-100)        
            else:
                label_ids.append(labels_to_ids[labels[word_idx]] if label_all_tokens else -100)
            previous_word_idx = word_idx      
        return label_ids

如果要應(yīng)用第一種方法，設(shè)置label_all_tokens為 False。如果要應(yīng)用第二種方法，設(shè)置label_all_tokens為 True，如以下代碼所示：

設(shè)置label_all_tokens=True

[-100, 16, 16, 6, 6, 6, 14, 14, 14, 16, 16,
 16, 16, 16, 16, 16, 16, 16, 16, -100, -100,
  -100,  -100, ..., -100]
['[CLS]', 'Prime', 'Minister', 'G', '##ei',
 '##r', 'Ha', '##ard', '##e', 'has', 'refused',
 'to', 'resign', 'or', 'call', 'for', 'early', 
 'elections', '.', '[SEP]', '[PAD]', '[PAD]',
 '[PAD]', '[PAD]', ..., '[PAD]']

設(shè)置label_all_tokens=False

[-100, 16, 16, 6, -100, -100, 14, -100, -100, 
 16, 16, 16, 16, 16, 16, 16, 16, 16, 16, -100,
 -100, ..., -100]  
['[CLS]', 'Prime', 'Minister', 'G', '##ei',
 '##r', 'Ha', '##ard', '##e', 'has', 'refused',  
 'to', 'resign', 'or', 'call', 'for', 'early', 
 'elections', '.', '[SEP]', '[PAD]', '[PAD]', 
 '[PAD]', '[PAD]', ..., '[PAD]']

在本文的其余部分，我們將實(shí)現(xiàn)第一個(gè)方法，其中我們將只為每個(gè)token中的第一個(gè)子詞提供一個(gè)標(biāo)簽并設(shè)置label_all_tokens=False。

Dataset類

在為 NER 任務(wù)訓(xùn)練 BERT 模型之前，需要?jiǎng)?chuàng)建一個(gè)Dataset類來批量生成和獲取數(shù)據(jù)。

import torch
def align_label(texts, labels):
    # 首先tokenizer輸入文本
    tokenized_inputs = tokenizer(texts, padding='max_length', max_length=512, truncation=True)
  # 獲取word_ids
    word_ids = tokenized_inputs.word_ids()

    previous_word_idx = None
    label_ids = []
    # 采用上述的第一中方法來調(diào)整標(biāo)簽，使得標(biāo)簽與輸入數(shù)據(jù)對其。
    for word_idx in word_ids:
        # 如果token不在word_ids內(nèi)，則用 “-100” 填充
        if word_idx is None:
            label_ids.append(-100)
        # 如果token在word_ids內(nèi)，且word_idx不為None，則從labels_to_ids獲取label id
        elif word_idx != previous_word_idx:
            try:
                label_ids.append(labels_to_ids[labels[word_idx]])
            except:
                label_ids.append(-100)
        # 如果token在word_ids內(nèi)，且word_idx為None
        else:
            try:
                label_ids.append(labels_to_ids[labels[word_idx]] if label_all_tokens else -100)
            except:
                label_ids.append(-100)
        previous_word_idx = word_idx

    return label_ids
# 構(gòu)建自己的數(shù)據(jù)集類
class DataSequence(torch.utils.data.Dataset):
    def __init__(self, df):
        # 根據(jù)空格拆分labels
        lb = [i.split() for i in df['labels'].values.tolist()]
        # tokenizer 向量化文本
        txt = df['text'].values.tolist()
        self.texts = [tokenizer(str(i),
                               padding='max_length', max_length = 512, 
                                truncation=True, return_tensors='pt') for i in txt]
        # 對齊標(biāo)簽
        self.labels = [align_label(i,j) for i,j in zip(txt, lb)]

    def __len__(self):
        return len(self.labels)

    def get_batch_data(self, idx):
        return self.texts[idx]

    def get_batch_labels(self, idx):
        return torch.LongTensor(self.labels[idx])

    def __getitem__(self, idx):
        batch_data = self.get_batch_data(idx)
        batch_labels = self.get_batch_labels(idx)
        return batch_data, batch_labels

接下來，我們將數(shù)據(jù)隨機(jī)拆分為訓(xùn)練集、驗(yàn)證集和測試集。由于數(shù)據(jù)總數(shù)為 47959，出于演示目的和加快訓(xùn)練過程，這里將只選取其中的 1000 個(gè)。當(dāng)然，你也可以將所有數(shù)據(jù)用于模型訓(xùn)練。

import numpy as np
df = df[0:1000]
df_train, df_val, df_test = np.split(df.sample(frac=1, random_state=42),
                            [int(.8 * len(df)), int(.9 * len(df))])

構(gòu)建模型

在本文中，使用來自 HuggingFace 的預(yù)訓(xùn)練 BERT 基礎(chǔ)模型。既然我們要在token級別對文本進(jìn)行分類，那么需要使用 BertForTokenClassification 類。

BertForTokenClassification 類是一個(gè)包裝 BERT 模型并在 BERT 模型之上添加線性層的模型，將充當(dāng)token級分類器。

在上面的代碼中，首先實(shí)例化模型并將每個(gè)token分類器的輸出設(shè)置為等于我們數(shù)據(jù)集上唯一實(shí)體的數(shù)量(在我們的例子是 17)。

訓(xùn)練模型

這里使用標(biāo)準(zhǔn)的 PyTorch 訓(xùn)練循環(huán)訓(xùn)練 BERT 模型，如下所示：

上下滑動(dòng)查看更多源碼

def train_loop(model, df_train, df_val):
    # 定義訓(xùn)練和驗(yàn)證集數(shù)據(jù)
    train_dataset = DataSequence(df_train)
    val_dataset = DataSequence(df_val)
    # 批量獲取訓(xùn)練和驗(yàn)證集數(shù)據(jù)
    train_dataloader = DataLoader(train_dataset, num_workers=4, batch_size=1, shuffle=True)
    val_dataloader = DataLoader(val_dataset, num_workers=4, batch_size=1)
    # 判斷是否使用GPU，如果有，盡量使用，可以加快訓(xùn)練速度
    use_cuda = torch.cuda.is_available()
    device = torch.device('cuda' if use_cuda else 'cpu')
    # 定義優(yōu)化器
    optimizer = SGD(model.parameters(), lr=LEARNING_RATE)

    if use_cuda:
        model = model.cuda()
    # 開始訓(xùn)練循環(huán)
    best_acc = 0
    best_loss = 1000
    for epoch_num in range(EPOCHS):

        total_acc_train = 0
        total_loss_train = 0
        # 訓(xùn)練模型
        model.train()
        # 按批量循環(huán)訓(xùn)練模型
        for train_data, train_label in tqdm(train_dataloader):
      # 從train_data中獲取mask和input_id
            train_label = train_label[0].to(device)
            mask = train_data['attention_mask'][0].to(device)
            input_id = train_data['input_ids'][0].to(device)
            # 梯度清零?。?/span>
            optimizer.zero_grad()
            # 輸入模型訓(xùn)練結(jié)果：損失及分類概率
            loss, logits = model(input_id, mask, train_label)
            # 過濾掉特殊token及padding的token
            logits_clean = logits[0][train_label != -100]
            label_clean = train_label[train_label != -100]
            # 獲取最大概率值
            predictions = logits_clean.argmax(dim=1)
      # 計(jì)算準(zhǔn)確率
            acc = (predictions == label_clean).float().mean()
            total_acc_train += acc
            total_loss_train += loss.item()
      # 反向傳遞
            loss.backward()
            # 參數(shù)更新
            optimizer.step()
        # 模型評估
        model.eval()

        total_acc_val = 0
        total_loss_val = 0
        for val_data, val_label in val_dataloader:
      # 批量獲取驗(yàn)證數(shù)據(jù)
            val_label = val_label[0].to(device)
            mask = val_data['attention_mask'][0].to(device)
            input_id = val_data['input_ids'][0].to(device)
      # 輸出模型預(yù)測結(jié)果
            loss, logits = model(input_id, mask, val_label)
      # 清楚無效token對應(yīng)的結(jié)果
            logits_clean = logits[0][val_label != -100]
            label_clean = val_label[val_label != -100]
            # 獲取概率值最大的預(yù)測
            predictions = logits_clean.argmax(dim=1)          
            # 計(jì)算精度
            acc = (predictions == label_clean).float().mean()
            total_acc_val += acc
            total_loss_val += loss.item()

        val_accuracy = total_acc_val / len(df_val)
        val_loss = total_loss_val / len(df_val)

        print(
            f'''Epochs: {epoch_num + 1} | 
                Loss: {total_loss_train / len(df_train): .3f} | 
                Accuracy: {total_acc_train / len(df_train): .3f} |
                Val_Loss: {total_loss_val / len(df_val): .3f} | 
                Accuracy: {total_acc_val / len(df_val): .3f}''')

LEARNING_RATE = 1e-2
EPOCHS = 5
model = BertModel()
train_loop(model, df_train, df_val)

在上面的訓(xùn)練循環(huán)中，只訓(xùn)練了 5 個(gè) epoch 的模型，然后使用 SGD 作為優(yōu)化器。使用BertForTokenClassification 類計(jì)算每個(gè)批次的損失。

注意，有一個(gè)重要的步驟！在訓(xùn)練循環(huán)的每個(gè) epoch 中，在模型預(yù)測之后，需要忽略所有以 '-100' 作為標(biāo)簽的token。

下面是我們訓(xùn)練 BERT 模型 5 個(gè) epoch 后的訓(xùn)練輸出示例：

當(dāng)你訓(xùn)練自己的 BERT 模型時(shí)，你將看到的輸出可能會有所不同，因?yàn)橛?xùn)練過程中存在隨機(jī)性。

大家想想，如何提高我們模型的性能。例如在我們有一個(gè)數(shù)據(jù)不平衡問題，因?yàn)橛泻芏鄮в?O'標(biāo)簽的token?？梢酝ㄟ^在訓(xùn)練過程中添加不同類的權(quán)重來改進(jìn)我們的模型。

此外還可以嘗試不同的優(yōu)化器，例如具有權(quán)重衰減正則化的 Adam 優(yōu)化器。

評估模型

現(xiàn)在已經(jīng)訓(xùn)練了的模型，接下來可以使用測試數(shù)據(jù)集來測試模型的性能。評估代碼與驗(yàn)證代碼類似，這里不做詳細(xì)注釋。

def evaluate(model, df_test):
    # 定義測試數(shù)據(jù)
    test_dataset = DataSequence(df_test)
    # 批量獲取測試數(shù)據(jù)
    test_dataloader = DataLoader(test_dataset, num_workers=4, batch_size=1)
   # 使用GPU
    use_cuda = torch.cuda.is_available()
    device = torch.device('cuda' if use_cuda else 'cpu')
    if use_cuda:
        model = model.cuda()
    total_acc_test = 0.0
    for test_data, test_label in test_dataloader:
        test_label = test_label[0].to(device)
        mask = test_data['attention_mask'][0].to(device)
        input_id = test_data['input_ids'][0].to(device)
          
        loss, logits = model(input_id, mask, test_label.long())
        logits_clean = logits[0][test_label != -100]
        label_clean = test_label[test_label != -100]
        predictions = logits_clean.argmax(dim=1)             
        acc = (predictions == label_clean).float().mean()
        total_acc_test += acc
    val_accuracy = total_acc_test / len(df_test)
    print(f'Test Accuracy: {total_acc_test / len(df_test): .3f}')

evaluate(model, df_test)

就本案例而言，經(jīng)過訓(xùn)練的模型在測試集上平均達(dá)到了 92.22% 的準(zhǔn)確率。根據(jù)不同的任務(wù)或評價(jià)標(biāo)準(zhǔn)，可以選用 F1 分?jǐn)?shù)、精度或召回率。

或者可以使用經(jīng)過訓(xùn)練的模型來預(yù)測文本或句子中每個(gè)單詞的實(shí)體，代碼如下：

上下滑動(dòng)查看更多源碼

從結(jié)果看，我們的模型將能夠很好地預(yù)測陌生句子中每個(gè)單詞的實(shí)體。

結(jié)論

在本文中，我們?yōu)槊麑?shí)體識別 (NER) 任務(wù)構(gòu)建了 BERT 模型。并訓(xùn)練了 BERT 模型來預(yù)測token級別的自定義文本或自定義句子的 IOB token。