徹底了解 BiLSTM 和 CRF 算法

作者：NLP與人工智能 2020-06-05 18:57:41

BiLSTM+CRF 是目前比較流行的序列標注算法，其將 BiLSTM 和 CRF 結合在一起，使模型即可以像 CRF 一樣考慮序列前后之間的關聯性，又可以擁有 LSTM 的特征抽取及擬合能力。

CRF 是一種常用的序列標注算法，可用于詞性標注，分詞，命名實體識別等任務。BiLSTM+CRF 是目前比較流行的序列標注算法，其將 BiLSTM 和 CRF 結合在一起，使模型即可以像 CRF 一樣考慮序列前后之間的關聯性，又可以擁有 LSTM 的特征抽取及擬合能力。

[[329170]]

1.前言

在之前的文章《CRF 條件隨機場》中，介紹了條件隨機場 CRF，描述了 CRF 和 LSTM 的區別。我們以分詞為例，每個字對應的標簽可以是 s, b, m, e 四種。

給定一個句子 "什么是地攤經濟"，其正確的分詞方式是 "什么 / 是 / 地攤 / 經濟"，每個字對應的分詞標簽是 "be / s / be / be"。從下面的圖片可以看出 LSTM 在做序列標注時的問題。

BiLSTM 分詞

BiLSTM 可以預測出每一個字屬于不同標簽的概率，然后使用 Softmax 得到概率最大的標簽，作為該位置的預測值。這樣在預測的時候會忽略了標簽之間的關聯性，如上圖中 BiLSTM 把第一個詞預測成 s，把第二個詞預測成 e。但是實際上在分詞時 s 后面是不會出現 e 的，因此 BiLSTM 沒有考慮標簽間聯系。

因此 BiLSTM+CRF 在 BiLSTM 的輸出層加上一個 CRF，使得模型可以考慮類標之間的相關性，標簽之間的相關性就是 CRF 中的轉移矩陣，表示從一個狀態轉移到另一個狀態的概率。假設 CRF 的轉移矩陣如下圖所示。

CRF 狀態轉移矩陣

則對于前兩個字 "什么"，其標簽為 "se" 的概率 =0.8×0×0.7=0，而標簽為 "be" 的概率=0.6×0.5×0.7=0.21。

因此，BiLSTM+CRF 考慮的是整個類標路徑的概率而不僅僅是單個類標的概率，在 BiLSTM 輸出層加上 CRF 后，如下所示。

BiLSTM+CRF 分詞

最終算得所有路徑中，besbebe 的概率最大，因此預測結果為 besbebe。

2.BiLSTM+CRF 模型

CRF 包括兩種特征函數，不熟悉的童鞋可以看下之前的文章。第一種特征函數是狀態特征函數，也稱為發射概率，表示字 x 對應標簽 y 的概率。

CRF 狀態特征函數

在 BiLSTM+CRF 中，這一個特征函數 (發射概率) 直接使用 LSTM 的輸出計算得到，如第一小節中的圖所示，LSTM 可以計算出每一時刻位置對應不同標簽的概率。

CRF 的第二個特征函數是狀態轉移特征函數，表示從一個狀態 y1 轉移到另一個狀態 y2 的概率。

CRF 狀態轉移特征函數

CRF 的狀態轉移特征函數可以用一個狀態轉移矩陣表示，在訓練時需要調整狀態轉移矩陣的元素值。因此 BiLSTM+CRF 需要在 BiLSTM 的模型內增加一個狀態轉移矩陣。在代碼中如下。

class BiLSTM_CRF(nn.Module): 
    def __init__(self, vocab_size, tag2idx, embedding_dim, hidden_dim): 
        self.word_embeds = nn.Embedding(vocab_size, embedding_dim) 
        self.lstm = nn.LSTM(embedding_dim, hidden_dim // 2, 
                            num_layers=1, bidirectional=True) 
 
        # 對應 CRF 的發射概率，即每一個位置對應不同類標的概率 
        self.hidden2tag = nn.Linear(hidden_dim, self.tagset_size) 
         
        # 轉移矩陣，維度等于標簽數量，表示從一個標簽轉移到另一標簽的概率 
        self.transitions = nn.Parameter( 
            torch.randn(len(tag2idx), len(tag2idx))

給定句子 x，其標簽序列為 y 的概率用下面的公式計算。

p(y|x)

公式中的 score 用下面的式子計算，其中 Emit 對應發射概率 (即 LSTM 輸出的概率)，而 Trans 對應了轉移概率 (即 CRF 轉移矩陣對應的數值)

score 的計算公式

BiLSTM+CRF 采用最大似然法訓練，對應的損失函數如下：

損失函數

其中 score(x,y) 比較容易計算，而 Z(x) 是所有標簽序列 (y) 打分的指數之和，如果序列的長度是 l，標簽個數是 k，則序列的數量為 (k^l)。無法直接計算，因此要用前向算法進行計算。

用目前主流的深度學習框架，對 loss 進行求導和梯度下降，即可優化 BiLSTM+CRF。訓練好模型之后可以采用 viterbi 算法 (動態規劃) 找出最優的路徑。

3.損失函數計算

計算 BiLSTM+CRF 損失函數的難點在于計算 log Z(x)，用 F 表示 log Z(x)，如下公式所示。

我們將 score 拆分，變成發射概率 p 和轉移概率 T 的和。為了簡化問題，我們假設序列的長度為3，則可以分別計算寫出長度為 1、2、3 時候的 log Z 值，如下所示。

上式中 p 表示發射概率，T 表示轉移概率，Start 表示開始，End 表示句子結束。F(3) 即是最終得到的 log Z(x) 值。通過對上式進行變換，可以將 F(3) 轉成遞歸的形式，如下。

可以看到上式中每一步的操作都是一樣的，操作包括 log_sum_exp，例如 F(1)：

首先需要計算 exp，對于所有 y1，計算 exp(p(y1)+T(Start,y1))
求和，對上一步得到的 exp 值進行求和
求 log，對求和的結果計算 log

因此可以寫出前向算法計算 log Z 的代碼，如下所示：

def forward_algorithm(self, probs): 
    def forward_algorithm(probs): 
    """ 
    probs: LSTM 輸出的概率值，尺寸為 [seq_len, num_tags]，num_tags 是標簽的個數 
    """ 
 
    # forward_var (可以理解為文章中的 F) 保存前一時刻的值，是一個向量，維度等于 num_tags 
    # 初始時只有 Start 為 0，其他的都取一個很小的值 (-10000.) 
    forward_var = torch.full((1, num_tags), -10000.0)  # [1, num_tags] 
    forward_var[0][Start] = 0.0 
 
    for p in probs:  # probs [seq_len, num_tags]，遍歷序列 
        alphas_t = []  # alphas_t 保存下一時刻取不同標簽的累積概率值 
        for next_tag in range(num_tags): # 遍歷標簽 
 
            # 下一時刻發射 next_tag 的概率 
            emit_score = p[next_tag].view(1, -1).expand(1, num_tags) 
 
            # 從所有標簽轉移到 next_tag 的概率, transitions 是一個矩陣，長寬都是 num_tags 
            trans_score = transitions[next_tag].view(1, -1) 
 
            # next_tag_ver = F(i-1) + p + T 
            next_tag_var = forward_var + trans_score + emit_score 
 
            alphas_t.append(log_sum_exp(next_tag_var).view(1)) 
 
        forward_var = torch.cat(alphas_t).view(1, -1) 
 
    terminal_var = forward_var + self.transitions[Stop] # 最后轉移到 Stop 表示句子結束 
    alpha = log_sum_exp(terminal_var) 
    return alpha