前言
今天介绍一篇最新的NER预训练模型paper~
有关于在预训练模型上面训练命名实体识别(NER)有关的任务，这方面的研究还不多，注意不是NER fintune，是NER pretrain，主要的原因就是这面的数据集很少，即使有一个的数据集，但是其标注的质量也不高，为此本文主要贡献就是制作了一个比较大的且高质量的NER数据，进而在上面训练得到了一个NER的预训练模型NER-BERT ，实验证明好于BERT，感兴趣的小伙伴可以看看～～
NER-BERT ： https://arxiv.org/pdf/2112.00405v1.pdf
欢迎文末关注笔者，会有更多好文章分享给大家～
Corpus Construction
这部分主要介绍怎么制作一个高质量的NER大数据集。主要从四个方面进行介绍（1）介绍一下当前已有的一些数据集的局限性或者说缺点。（2）实体类型的整合（3）低质量样本的过滤（4）不同实体类型之间样本数的balance。
下面我们一个一个看:
(1) Data sources for per-taining
想要得到一个大的NER数据集，容易想到的一个方法就是：整合当前已有的一些现成的NER数据集。但是这面临一些问题，首先这些现有的数据集通常都比较小，通常少于10K样本量，和训练bert的语料比起来基本不够看；再者这些数据集标注的schemes通常有一些gap，比如WNUT2017数据集中的corporation，group和其他大多数数据集中的organization就存在这个问题，想要统一这些schemes是比较困难的；最后这些数据集的实体类别通常也比较单一，比如基本上就是location，person，organization。对于预训练模型来说这些信息还不够丰富。
(2) Entity Categorization
这里主要用到的是DBpedia Ontology数据集，因为其包含着丰富的实体类型多达320多种，关于这个数据集更详细的信息可以看
Pablo Mendes, Max Jakob, and Christian Bizer. 2012. Dbpedia: A multilingual cross-domain knowledge base. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC’12), pages 1813–1817.
具体做法是将Wikipedia 文章切分成句子，然后抽取anchor的连续单词，anchor可以理解为有超链接的部分。然后看其是否在DBpedia Ontology中，如果在那就正好进行标识，如果不在就给一个特殊标识比如“ENTITY”，注意这里只是对anchor进行匹配，而不是句子中的所有单词，因为有的单词可能偶然被匹配上了，但是却不是实体，另外连续单词是实体的可能性更高。
既然都是匹配DBpedia Ontology，那么就保证了标注的统一性。
（3）Data Filtering
为了进一步提高数据集的质量，这里使用了一些过滤逻辑，尽可能的过滤掉一些低质量的样本。
首先是过滤掉那些稀疏的实体类别，因为模型很难学习到这部分表征，相反其存在可能给模型的学习带来噪声。
其次是过滤掉那些只有“ENTITY”实体的句子，这部分的样本其实是非常多的，但是我们还是希望模型更能从包含确切实体类别的样本中学习知识。
最后是分配一个概率去过滤句子，具体来说就是
all代表句子出现的所有实体都是频次top20的实体。
num代表ENTITY实体的个数。
然后根据概率去过滤句子，可以看到num越大被过滤掉的机率越大
（4）Data Balancing
各个实体类别间的数据量不平衡可能导致模型学习结果偏差，为此这里采用了boost进行抽样，抽样的概率正比于 
， 
是实体类别数量， ，效果如下：
可以看到红线在一定程度上缓解了不平衡问题。
最后制作的数据集如下，这里截取了一部分实体类别，具体可以看附录B，一共315种。
NER-BERT
这部分主要介绍怎么利用上述语料预训练模型，以及怎么进行下游的finetune
（1）Pre-training
这里很简单就是直接使用用bert热启，然后任务是预测sequence labeling ,注意没有mask。说白了就是加一个entity tagging head即可。
当然了可以使用上述数据集预训练任何语言模型进行实验。
（2）Fine-tuning
类似之前的做法，替换掉预训练的entity tagging head，加一个当前目标域的head，进行fine-tune即可。
实验结果
（1）整体效果
这里的CDLM，DAPT是另外两种baseline方法。
和 
是为了对比丰富实体类别带来的收益，比如4types就是将原先的315种归纳出person、location、 organization和ENTITY四种，ENTITY可以看成是一个other类即不属于前三者的那些实体都归到这一类，同理212types是归纳出212类。
从上面可以看到细粒度的实体类别还是带来一些收益的，且NER-BERT方法都好于baseline。
（2）few-shot
可以看到在小样本上NER-BERT都显著提高了performance
（3）Visualization
为了更好的证明模型学到了实体类别信息，作者将每个实体的第一个token的embedding抽取出来，然后使用tSNE映射到二维进行可视化，可以看到原始BERT基本是揉在了一起，没有明显的边界， 而开始出现了一些边界，但是其还是不能很好的区分橘黄色的party和绿色的organization，因为其毕竟只在person、location、 organization和ENTITY四种上训练的，当然了 其余两种就表现的好多了。
关于各个领域比如音乐等等更详细的实验结果和可视化，大家感兴趣的话可以去看paper附录～
总结
（1）本篇的贡献就是一个数据集和一个预训练模型，都还没开源。
（2）要说收获，看完paper我们的收获可能就是：这里制作数据集最重要的trick其实还是要先有一个大字典，然后进行正则匹配，比如paper中利用的DBpedia Ontology数据集，那如果我们想在中文上面借鉴一下呢？是不是可以去找个类似的中文数据集。
（3）看到本篇不禁想到了ERNIE模型，ERNIE模型最最要的trick就是MASK实体，那其实其也是需要一个类似这样的数据集。
拼到最后拥有一个好的数据集才是王道～～
关注
微信公众号
知乎：
https://www.zhihu.com/people/sa-tuo-de-yisheng/postsgithub:
