COLING 2018 最佳论文解读：序列标注经典模型复现

本期推荐的论文笔记来自 PaperWeekly 社区用户 @handsome。这篇论文是 COLING 2018 的 Most reproducible Paper。作者用 PyTorch 实现了一个统一的序列标注框架，重现了 CoNLL 2003 English NER、CoNLL 2000 Chunking 和 PTB POS tagging 这三个数据集上不同模型的的表现。值得一提的是，基于这个统一的框架，作者对一些已有工作的一些不一致的结论进行了反驳，提出了一些新的看法。对于实践者而言，这篇论文还是很有借鉴意义的。 关于作者：梁帅龙，新加坡科技设计大学博士生，研究方向为自然语言处理。 ■ 论文 | Design Challenges and Misconceptions in Neural Sequence Labeling ■ 链接 | https://ift.tt/2KqmTg7 ■ 源码 | https://ift.tt/2MS4Pcf 引言 这篇论文是 COLING 2018 的 Best Paper 之一 "Most Reproducible Paper"，论文基于的 PyTorch 代码框架 NCRF++ 也收录于 ACL 2018 的 Demo Paper。 作者用一个统一的序列标注框架实现了不同模型架构在 NER, Chunking, POS Tagging 数据集上的表现，并对已有工作的一些不一致的结论进行了检验，发现了新的结论。代码在 Github 上已经开源，使用文档也非常详尽，做序列标注的童鞋们又多了一把利器可以使用。 任务 CoNLL 2003 英文的命名实体识别 (NER)  CoNLL 2000 Chunking  PTB POS Tagging 模型 字符序列表示 在词的表示方面，本文摒弃了基于传统的特征的方法，直接使用词本身的信息进行编码。除了词向量以外，为了更好地对那些不常见的词编码，文章使用 LSTM 或者 CNN 对构成词语的字符进行编码。 词序列表示 在整个句子级别，文章同样使用 LSTM / CNN 对构成句子的词语的表示进行上下文的编码。 预测层  获取了每个词的上下文表示之后，在最后的预测层，文章使用了基于 Softmax 的和基于 CRF 的结构。和 Softmax 相比， CRF 往往更能有效地结合上下文的标签的依赖关系进行预测。 实验结果 NER的实验结果 Chunking的实验结果 POS Tagging的实验结果 从以上结果来看，字符序列的表示方面，CNN 和 LSTM 的结果差别不大；词序列的表示方面，LSTM 的结果比 CNN 的稍好一些，说明全局信息的有效性；预测层方面，POS Tagging 任务的 CRF 和 Softmax 表现相当，但是 NER、Chunking 的 CRF 的结果要比 Softmax 好一些。相比 POS 的tags，BIE 标签之间的依赖关系可能更容易被 CRF 所建模。 其他 这篇文章也检验了预训练的词向量的不同（GloVe/SENNA），标注体系的不同 (BIO/BIOES)，运行环境的不同（CPU/GPU），以及优化器的不同 （SGD/Adagrad/Adadelta/RMSProp/Adam）对结果的影响。感兴趣的同学可以查看论文原文。  最后 本文代码已开源，使用非常方便，也可以加自定义的 feature，几乎不用自己写代码就可以使用了。 ]]> 原文： https://ift.tt/2NkAvHI 机器知心