【NLP-NER】如何使用BERT来做命名实体识别
命名实体识别（Named Entity Recognition，NER）是NLP中一项非常基础的任务。NER是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具。
上一期我们详细介绍NER中两种深度学习模型，LSTM+CRF和Dilated-CNN，本期我们来介绍如何基于BERT来做命名实体识别任务。
作者&编辑 | 小Dream哥
1 引入BERT
笔者在之前的文章中介绍过BERT，想要回顾的同学可以点击下面的链接，这里就不再介绍BERT的结构了。
鉴于BERT的强大，在下游任务中，引入BERT是很自然的想法。像谷歌这些资源丰富的大佬，帮我们预训练好了模型，并且开源出来，当然要好好利用。这里就介绍下，如何基于谷歌开源出来的BERT base模型，进行fine tune，做NER任务。
2 获取BERT预训练模型
BERT源码可以从google-research的github中获取：
https://github.com/google-research/bert
在其GitHub中，也公布了获取BERT Chinese的预训练模型，正是我们需要的，链接如下：
https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
对下载的压缩文件进行解压，可以看到文件里有五个文件，其中bert_model.ckpt开头的文件是负责模型变量载入的，而vocab.txt是训练时中文文本采用的字典，最后bert_config.json是BERT在训练时，可选调整的一些参数。
BERT的代码主要分为两个部分：
1.预训练部分，其入口是在run_pretraining.py。
2.Fine-tune部分。Fine-tune的入口针对不同的任务分别在run_classifier.py和run_squad.py。其中run_classifier.py适用的任务为分类任务，如CoLA、MRPC、MultiNLI等。而run_squad.py适用的是阅读理解任务，如squad2.0和squad1.1。
那么NER的任务该怎么办呢？那就需要自己动手做一些处理了。NER任务与分类任务很接近，基于run_classsifier.py做一些修改，就能够快速实现我们NER任务的Fine-tune了，下面我们看看，大致需要做哪些修改的工作。
3 修改 processor
任何模型的训练、预测都是需要有一个明确的输入，而BERT代码中processor就是负责对模型的输入进行处理。
在run_classsifier.py文件中我们可以看到，Google对于一些公开数据集已经写了一些processor，如XnliProcessor，MnliProcessor，MrpcProcessor和ColaProcessor。这给我们提供了一个很好的示例，指导我们如何针对自己的数据集来写processor。
参照上述的Processor，结合NER任务的特点，我们需要定义一个NerProcessor来处理NER标记语料，主要的工作就是将语料组织成Estimator能够接受的格式。主要就是实现_read_data，_create_example和get_labels三个函数，具体需要组织成什么样的形式，可以看看源代码。
我们可以实现如下形式的_create_example函数，它读取语料和标记，并且通过InputExample函数，构造成Estimator能够接受的格式。
def _create_example(self, lines, set_type):
examples = []
for (i, line) in enumerate(lines):
guid = "%s-%s" % (set_type, i)
text = tokenization.convert_to_unicode(line[1])
label = tokenization.convert_to_unicode(line[0])
examples.append(InputExample(guid=guid, text=text, label=label))
return examples
4 构建模型
首先，我们利用BERT的BertModel类构造BERT结构，然后获取其最后一层的输出：
# 使用数据加载BertModel，获取对应的字embedding
model = modeling.BertModel(
config=bert_config,
is_training=is_training,
input_ids=input_ids,
input_mask=input_mask,
token_type_ids=segment_ids,
use_one_hot_embeddings=use_one_hot_embeddin
)
# 获取对应的BertModel的输出
embedding = model.get_sequence_output()
然后增加（BiLSTM）CRF层，进行解码：
max_seq_length = embedding.shape[1].value
# 算序列真实长度
used = tf.sign(tf.abs(input_ids))
lengths = tf.reduce_sum(used, reduction_indices=1)
# 添加CRF output layer
blstm_crf =
BLSTM_CRF(embedded_chars=embedding,
hidden_unit=lstm_size,
cell_type=cell,
num_layers=num_layers,
dropout_rate=dropout_rate,
initializers=initializers,
num_labels=num_labels,
seq_length=max_seq_length,
labels=labels,
lengths=lengths,
is_training=is_training)
rst = blstm_crf.add_blstm_crf_layer(crf_only=True)
5 模型训练
做了上述的准备工作之后，模型的训练只需参照run_pretraining.py的main函数即可。主要的工作有：
1. processors初始化
2. estimator配置
3. 加载训练数据
4. 利用model_fn_builder构造模型，加载模型参数 等。这是Tensorflow中新的架构方法，通过定义model_fn函数，定义模型。然后用Estimator API进行模型的训练，预测，评估等。
5.调用Estimator进行训练过程的控制及正式开始训练等。
总结
利用BERT模型，进行NER任务Fine Tune的大致步骤如上。总的来说，相比于前面的BiLSTM+CRF模型，就是用BERT模型代替了原来的词嵌入部分，利用BERT来进行语义编码，BiLSTM+CRF进行解码。因为需要用BERT，因此在输入部分做了调整，本文介绍的使用estimator来构建和优化模型，也可以完全弃用这一套，自己构建和优化模型。
我们会在知识星球讨论代码的具体实现和优化，感兴趣扫描下面的二维码了解。