NER任务的CRF-layer的原理

• 用命名实体识别任务来解释CRF：https://arxiv.org/abs/1603.01360，该文提出了一个使用词和字嵌入的 BiLSTM-CRF 命名实体识别模型。下将以本文中的模型为例来解释CRF层是如何工作的。
• 更详细的文章请参考该系列：https://createmomo.github.io/2017/09/12/CRF_Layer_on_the_Top_of_BiLSTM_1/

一. 预备工作

• 假设有一个数据集，有两个实体类型，Person和Organization。但是，事实上，在我们的数据集中，我们有5个实体标签：

• B-Person
• I- Person
• B-Organization
• I-Organization
• O

• 此外，$\mathbf{x}$ 是一个包含5个单词的句子，$w_0，w_1，w_2，w_3，w_4$。更重要的是，在句子 $\mathbf{x}$ 中，$[w_0，w_1]$ 是一个Person实体，$[w_3]$ 是一个Organization实体，其他都是“O”。

二. BILSTM-CRF模型

• 如下图所示：
• 首先，将句子 $\mathbf{x}$ 中的每个单词表示为一个向量，其中包括 单词的嵌入和字符的嵌入。字符嵌入是随机初始化的。词嵌入通常是从一个预先训练的词嵌入文件导入的。所有的嵌入将在训练过程中进行微调。
• 第二，BiLSTM-CRF模型的输入是这些嵌入，输出是句子 $\mathbf{x}$ 中的单词的预测标签。

2.1. BiLSTM层输出

• 虽然不需要知道BiLSTM层的细节，但是为了更容易的理解CRF层，我们需要知道BiLSTM层输出的意义是什么。

• 上图说明BiLSTM层的输出是每个标签的分数。例如，对于 $w_0$, BiLSTM节点的输出为1.5 (B-Person)、0.9 (I-Person)、0.1 (B-Organization)、0.08 (I-Organization)和0.05 (O)，这些分数将作为 CRF层的输入。
• 然后，将BiLSTM层预测的所有分数输入CRF层。在CRF层中，选择预测得分最高的标签序列作为最佳答案。

2.2. 如果没有CRF层会怎么样

• 你可能已经发现，即使没有CRF层，也就是说，我们可以训练一个BiLSTM命名实体识别模型，如下图所示。

• 因为每个单词的BiLSTM的输出是标签分数。我们可以选择每个单词得分最高的标签。
• 例如，对于$w_0$，“B-Person”得分最高(1.5)，因此我们可以选择“B-Person”作为其最佳预测标签。同样，我们可以为$w_0$选择“I-Person”，为$w_2$选择“O”，为$w_3$选择“B-Organization”，为$w_4$选择“O”。

• 虽然在这个例子中我们可以得到正确的句子 $\mathbf{x}$的标签，但是并不总是这样。再试一下下面图片中的例子。
• 显然，这次的输出是无效的，“I-Organization I-Person”和“B-Organization I-Person”。

2.3. CRF层可以从训练数据中学到约束

• CRF层可以向最终的预测标签添加一些约束，以确保它们是有效的。这些约束可以由CRF层在训练过程中从训练数据集自动学习。
• 约束条件可以是：
• 句子中第一个单词的标签应该以“B-”或“O”开头，而不是“I-”
• “B-label1 I-label2 I-label3 I-…”，在这个模式中，label1、label2、label3…应该是相同的命名实体标签。例如，“B-Person I-Person”是有效的，但是“B-Person I-Organization”是无效的。
• “O I-label”无效。一个命名实体的第一个标签应该以“B-”而不是“I-”开头，换句话说，有效的模式应该是“O B-label”
• 有了这些有用的约束，无效预测标签序列的数量将显著减少。

三. CRF层

• 下面了解为什么CRF层可以学习这些约束。 在CRF层的损失函数中，我们有两种类型的分数。这两个分数是CRF层的关键概念。

3.1. 发射(Emission)分数

• 第一个是emission分数。这些emission分数来自BiLSTM层。例如，如下图所示，标记为B-Person的 $w_0$ 的分数为1.5。

• 为了方便起见，我们将 给每个标签一个索引号，如下表所示。

Label	index
B-Person	0
I-Person	1
Organization	2
I-Organization	3
O	4

• 我们用 $x_{i{y}_j}$来表示emission分数。$i$ 是word的索引，$y_j$ 是label的索引。如上一节图中所示，$x_{i=1,y_j=2}=x_{w_1,B-Organization}=0.1$，即$w_1$作为B-Organization的得分为0.1。

3.2. 转移(Transition)分数

• 转移概率矩阵(Transition Probability Matrix)：矩阵各元素都是非负的，并且各行元素之和等于 $1$，各元素用概率表示，在一定条件下是互相转移的，故称为转移概率矩阵。$P^{(k)}$ 表示 $k$ 步转移概率矩阵。转移概率矩阵有如下特征：
• $0\le P_{ij}\le 1$，各元素值都是处于0到1之前。
• $\sum _{j=1}^n{P}_{ij}=1$，即矩阵中每一行转移概率之和等于1。

• 我们使用 $t_{y_i{y}_j}$ 来表示transition分数。例如，$t_{B-Person,I-Person}=0.9$ 表示标签的transition，$B-Person\to I-Person$ 得分为0.9。因此，我们有一个transition得分矩阵，它存储了所有标签之间的所有得分。
• 为了使transition评分矩阵更健壮，我们将添加另外两个标签，START和END。START是指一个句子的开头，而不是第一个单词。END表示句子的结尾。

• 下面是一个transition得分矩阵的例子，包括额外添加的START和END标签。

• 如上表所示，我们可以发现transition矩阵已经学习了一些有用的约束。
• 句子中第一个单词的标签应该以“B-”或“O”开头，而不是“I-”开头 (从“START”到“I- person或I- organization”的transition分数非常低)
• “B-label1 I-label2 I-label3 I-…”，在这个模式中，label1、label2、label3…应该是相同的命名实体标签。例如，“B-Person I-Person”是有效的，但是“B-Person I-Organization”是无效的。(例如，从“B-Organization”到“I-Person”的分数只有0.0003，比其他分数低很多)
• “O I-label”无效。一个被命名实体的第一个标签应该以“B-”而不是“I-”开头，换句话说，有效的模式应该是“O B-label”(同样，$t_{O,I-Person}$的分数非常小)

• 你可能想问一个关于矩阵的问题。在哪里或如何得到transition矩阵？
• 实际上，该矩阵是BiLSTM-CRF 模型的一个参数。在训练模型之前，可以随机初始化矩阵中的所有transition分数。所有的随机分数将在你的训练过程中自动更新。换句话说，CRF层可以自己学习这些约束。我们不需要手动构建矩阵。随着训练迭代次数的增加，分数会逐渐趋于合理。

3.3. CRF损失函数

• CRF损失函数由 真实路径得分 和 所有可能路径的总得分 组成。在所有可能的路径中，真实路径的得分应该是最高的。 例如，如果我们的数据集中有如下表所示的这些标签：
• 例如，如果我们的数据集中有如下表所示的这些标签：

• 我们还是有一个5个单词的句子。可能的路径是：
• ①START B-Person B-Person B-Person B-Person B-Person END
• ②START B-Person I-Person B-Person B-Person B-Person END
• …
• $10$ START B-Person I-Person O B-Organization O END
• $N$ …
• 假设每条可能的路径都有一个分数 $P_i$，并且总共有$N$条可能的路径，所有路径的总分数是 $P_{\text{total }}=P_1+P_2+\dots +P_N=e^{S_1}+e^{S_2}+\dots +e^{S_N}$。(在第3.4节中，我们将解释如何计算，你也可以把它当作这条路径的分数)

• 如果我们说第10条路径是真正的路径，换句话说，第10条路径是我们的训练数据集提供的黄金标准标签。在所有可能的路径中，得分 $P_{10}$ 应该是百分比最大的。
• 在训练过程中，我们的BiLSTM-CRF模型的参数值将会一次又一次的更新，以保持增加真实路径的分数百分比。
  $$LossFunction=\frac{P_{RealPath}}{P_1+P_2+\dots +P_N}\text{\hspace{1em}(1)}$$

• 现在的问题是：①如何定义一个路径的分数？②如何计算所有可能路径的总分？③当我们计算总分时，我们需要列出所有可能的路径吗？(这个问题的答案是否定的)

3.4. 实际路径得分

• 在3.3节中，我们假设每条可能的路径都有一个得分，并且有N条可能的路径，所有路径的总得分为 $P_{total}=P_1+P_2+\dots +P_N=e^{S_1}+e^{S_2}+\dots +e^{S_N}$。
• 显然，在所有可能的路径中，一定有一条是真实路径。对于这个例子来说，前面中句子的实际路径是 “START B-Person I-Person O B-Organization O END”。其他的是不正确的，如“START B-Person B-Organization O I-Person I-Person B-Person”。$e^{S_i}$是第$i$条路径的得分。

• 在训练过程中，CRF损失函数只需要两个分数： 真实路径的分数和所有可能路径的总分数。所有可能路径的分数中，真实路径分数所占的比例会逐渐增加。
• 计算实际路径分数$e^{S_i}$非常简单。这里我们主要关注的是$S_i$的计算。

• 选取真实路径，“START B-Person I-Person O B-Organization O END”，我们以前用过，例如：
• ①我们有一个5个单词的句子，$w_1,w_2,w_3,w_4,w_5$
• ②我们增加了两个额外的单词来表示一个句子的开始和结束，$w_0,w_6$
• ③$S_i$ 由两部分组成：$S_i=$ EmissionScore $+$ TransitionScore

• Emission得分：
  $$\begin{gathered} \text{ EmissionScore }= \\ {x}_{0,START}+x_{1,B-Person}+x_{2,I-Person}+x_{3,O}+x_{4,B-Organization}+x_{5,O}+x_{6,END}\text{\hspace{1em}(2)} \end{gathered}$$
• $x_{index,label}$ 是第index个单词被label标记的分数
• 这些得分$x_{1,B-Persan}；x_{2,I-Per\mathrm{son}}；x_{3,O}；x_{4,B-Organization}；x_{5,O}$ 来自之前的BiLSTM输出。
• 对于$x_{0,START}$ 和 $x_{6,END}$，我们可以把它们设为0。

• Transition得分：
  $$\begin{gathered} \text{ TransitionScore }= \\ {t}_{START->B-Person}+t_{B-Person->I-Person}+t_{I-Person->O}+ \\ {t}_{O->B-Orgnization}+t_{B-Orgnization->O}+t_{O->END}\text{\hspace{1em}(3)} \end{gathered}$$

• 综上所述，现在我们可以计算出$S_i$以及路径得分$e^{S_i}$。

3.5. 所有可能的路径的得分

• 如何逐步计算一个toy例子一个句子的所有可能的路径的总分。
• 在上一节中，我们学习了如何计算一个路径(即)的标签路径得分。到目前为止，我们还有一个需要解决的问题，就是如何得到所有路径的总分($P_{total}=P_1+P_2+\dots +P_N=e^{S_1}+e^{S_2}+\dots +e^{S_N}$)。

• 衡量总分最简单的方法是：列举所有可能的路径并将它们的分数相加。是的，你可以用这种方法计算总分。然而，这是非常低效的。训练的时间将是难以忍受的。
• 在探索以下内容之前，我建议你先准备一张白纸和一支笔，并按照示例中列出的步骤进行操作。我相信这将有助于你更好地理解算法的细节。此外，你应该知道如何用你喜欢的编程语言实现它。

3.5.1. 步骤1: 回想一下CRF损失函数

• 在3.3中，我们将CRF损失函数定义为：
  $$LossFunction=\frac{P_{RealPath}}{P_1+P_2+\dots +P_N}$$
• 现在我们 把loss函数变成log loss函数：
  $$LogLossFunction=\log \frac{P_{RealPath}}{P_1+P_2+\dots +P_N}\text{\hspace{1em}(4)}$$
• 因为当我们训练一个模型时，通常我们的目标是 最小化 我们的损失函数，我们加上一个负号：
  
  $$\begin{array}{rl}LogLossFunction& =-\log \frac{P_{RealPath}}{P_1+P_2+\dots +P_N}\\ & =-\log \frac{e^{S_{RealPath}}}{e^{S_1}+e^{S_2}+\dots +e^{S_N}}\text{这里根据前面的定义}\\ & =-\left[\log \left(e^{S_{RealPath}}\right)-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right]\\ & =-\left[S_{RealPath}-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right]\\ & =-\left[\sum _{i=1}^N{x}_{iyi}+\sum _{i=1}^{N-1}{t}_{y_i{y}_{i+1}}-\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)\right]\text{前面两项就是真实}\end{array}\text{\hspace{1em}(5)}$$
• 在上一节中，我们已经知道如何计算实际路径得分，现在我们需要找到一个有效的解决方案来计算$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$

3.5.2. 步骤2: 回忆一下Emission和Transition得分

• 为了简化，我们假设我们从这个句子中训练我们的模型，它的 长度只有3：
  $$\mathbf{x}=[w_0,w_1,w_2]$$
• 此外，在我们的数据集中，我们有 两个标签：
  LabelSet={l1,l2}LabelSet=\{l_1, l_2\}LabelSet={l1​,l2​}
• 我们还有Bi-LSTM层 输出的Emission分数： $x_{ij}$表示 $w_i$ 被标记为 $l_j$ 的得分。参考3.1

	$l_1$	$l_2$
$w_0$	$x_{01}$	$x_{02}$
$w_1$	$x_{11}$	$x_{12}$
$w_2$	$x_{21}$	$x_{22}$

• 此外，Transition分数来自CRF层：$t_{ij}$表示标签 $i$ 到标签 $j$ 的Transition得分。参考3.2

	$l_1$	$l_2$
$l_1$	$t_{11}$	$t_{12}$
$l_2$	$t_{21}$	$t_{22}$

3.5.3. 步骤3: 开始战斗(准备好纸笔)

• 记住：我们的目标是： $\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$

• 这个过程就是分数的累加。其思想与动态规划相似(如果你不知道什么是动态编程，也可以继续阅读本文)。我将逐步解释这个例子。但我强烈建议你学习动态规划算法。
• 简而言之，计算 $w_0$ 的所有可能路径的总分。然后，我们用总分来计算 $w_0\to w_1$。最后，我们使用最新的总分来计算$w_0\to w_1\to w_2$。我们需要的是最后的总分。

• 在接下来的步骤中，你将看到两个变量：obs和previous。previous存储前面步骤的最终结果。obs表示当前单词的信息。

---

---

• 实际上，第二次迭代已经完成。如果有人想知道如何计算所有可能路径的总分 (label1→label1, label1→label2, label2→label1, label2→label2)，从 $w_0到w_1$，可以做如下计算。
• 我们使用新的previous中的元素：$$\begin{array}{rlr}& \mathrm{TotalScore}\left(w_0\to w_1\right)& \\ & =\log \left(e^{\text{previous }[0]}+e^{\text{previous }[1]}\right)& \\ & =\log \left(e^{\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}\right)}+e^{\log \left(e^{x01+x12+t12}+e^{x02+x12+t_{22}}\right)}\right)& \\ & =\log \left(e^{x_{01}+x_{11}+t_{11}}+e^{x_{02}+x_{11}+t_{21}}+e^{x_{01}+x_{12}+t_{12}}+e^{x_{02}+x_{12}+t_{22}}\right)& \\ & & \end{array}$$
• 你发现了吗？这正是我们的目标：$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$
• 在这个等式中，我们可以看到：
  $$\begin{array}{rl}& S_1=x_{01}+x_{11}+t_{11}\left({\text{label}}_1\to {\text{label}}_1\right)\\ & S_2=x_{02}+x_{11}+t_{21}\left({\text{label}}_2\to {\text{label}}_1\right)\\ & S_3=x_{01}+x_{12}+t_{12}\left({\text{label}}_1\to {\text{label}}_2\right)\\ & S_4=x_{02}+x_{12}+t_{22}\left({\text{label}}_2\to {\text{label}}_2\right)\end{array}$$

---

---

• 恭喜！
• 我们达到了目标，$\log \left(e^{S_1}+e^{S_2}+\dots +e^{S_N}\right)$，我们的toy句子有三个单词，label set有两个label，所以一共应该有8种可能的label path。 虽然你发现这个过程相当复杂，但是实现这个算法要容易得多。使用计算机的优点之一是可以完成一些重复性的工作。现在你可以自己实现CRF损失函数，并开始训练自己的模型。

---

• 详细可以参考该链接：BiLSTM上的CRF，用命名实体识别任务来解释CRF（2）损失函数
  

---

3.6. 为新的句子推理标签

• 在前面的章节中，我们学习了BiLSTM-CRF模型的结构和CRF损失函数的细节。你可以通过各种开源框架(Keras、Chainer、TensorFlow等)实现自己的BiLSTM-CRF模型。最重要的事情之一是模型的反向传播是在这些框架上自动计算的，因此你不需要自己实现反向传播来训练你的模型(即计算梯度和更新参数)。此外，一些框架已经实现了CRF层，因此将CRF层与你自己的模型结合起来非常容易，只需添加一行代码即可。

• 这部分直接参考文章：BiLSTM上的CRF，用命名实体识别任务来解释CRF（3）推理
  

四. 参考文献

• https://createmomo.github.io/2017/09/12/CRF_Layer_on_the_Top_of_BiLSTM_1/
• https://createmomo.github.io/2017/10/08/CRF-Layer-on-the-Top-of-BiLSTM-3/
• 详细可以参考该链接：BiLSTM上的CRF，用命名实体识别任务来解释CRF（2）损失函数
  
• https://github.com/createmomo/CRF-Layer-on-the-Top-of-BiLSTM