作者： hengyizheng, ruiwen
| 赛题 | 特点 | 成绩 |
|---|---|---|
| CCKS 2020: 面向试验鉴定的命名实体识别任务（军事科学院系统工程研究院）https://www.biendata.xyz/competition/ccks_2020_8/ | 数据集样本少（训练集400，测试集400，平均长度150，最大长度358），专业名词（军事领域），实体类别（试验要素、性能指标、系统组成、任务场景）易混淆。 | top1 |
| CCKS 2020：面向中文电子病历的医疗实体及事件抽取（一）医疗命名实体识别（医渡云）https://www.biendata.xyz/competition/ccks_2020_2_1/ | 数据集（训练集1050，测试集300，平均长度410，最大长度1664），实体边界不明确（大多是标注带来的问题） | top5 |
评测指标：
- 文本长度分布
- 实体个数（不同类别）与长度分布
- 训练集所有实体及出现次数
- Bad-case分析：对比验证集模型结果与真实标签差异，寻找模型结果存在的问题。例如军事比赛通过Bad-case分析得知，模型对于实体边界的判断较为准确，问题在于模型对实体类别存在混淆（实体类别的区分度较低），如部分实体在试验要素与系统组成、试验要素与任务场景之间难以区分。
- 对比不同单模或不同融合结果之间的差异，引导后处理规则的编写。
模型结构：[PreTrain-Model]+[Encoder]+CRF
PreTrain-Model: ELECTRA[1], RoBERTa, NEZHA[2]
Encoder: Bi-LSTM, IDCNN, TENER[3], R-Transformer[4]
| Bi-LSTM | ID-CNN | Transformer | TENER | R-Transformer | |
|---|---|---|---|---|---|
| 方向信息 | 高 | 差 | 差 | 中 | 中 |
| 相对距离信息 | 高 | 差 | 差 | 中 | 中 |
| 局部信息 | 差 | 高 | 差 | 差 | 高 |
| 长距离依赖 | 中 | 差 | 高 | 高 | 高 |
| 可并行(效率) | 差 | 高 | 高 | 高 | 中 |
Silver Bullet:
-
相对距离信息，方向信息，长距离依赖
-
局部信息
-
可并行
所用方法：
BERT多层表征融合[5]
Word Augment[6]
动态规划文本分割[7]
K-Fold Cross Validation
部分单模实验结果:
| 模型 | 策略 | 分数（线下/线上） | |
|---|---|---|---|
| ex1 | NEZHA+LSTM+CRF | dp分割文本（max_seq_len=128），五折（融合5-->1），融合后去重叠 | 0.594/0.669 |
| ex1-1 | NEZHA+LSTM+CRF | dp分割文本（max_seq_len=128），五折（融合5-->2），融合后去重叠 | /0.675 |
| ex1-2 | NEZHA+LSTM+CRF | dp分割文本（max_seq_len=128），五折（融合5-->3），融合后去重叠 | /0.664 |
-
MRC for NER[8]
-
Multi-Task for NER[9]
多任务自适应Loss权重[10]
- Continue Pretrain[11]
- FGM[12] [13]
- pseudo-label
求所有模型的并集，根据所设定的阈值对实体进行投票，只保留高于阈值的实体。
部分融合结果：
| 策略 | 成绩 | |
|---|---|---|
| ex18 | 5--->2(Rule)(五折去全重叠[保留type频次相等的]，ensemble去边界重叠) | 0.689 |
| ex19 | 5--->2(Rule)(五折去全重叠[保留type频次相等的]，ensemble去全重叠[保留type频次相等的]) | 0.687 |
| ex20 | 5--->2(Rule)(五折去全重叠[保留type频次相等的]，ensemble去全重叠[保留type频次相等的,频次不相等保留大于等于阈值3的]) | 0.690 |
| ex21 | 5--->1(Rule)(五折去全重叠[保留type频次相等的]，ensemble去全重叠[保留type频次相等的,频次不相等保留大于等于阈值3的]) | 0.66 |
- 融合后去重叠：投票融合后的最终结果会有重叠的情况出现，重叠可分为两类，其一为边界相同，类别不同，其二为边界重叠。对于本次比赛来说，类别重叠的情况比较严重（实体类别区分度低），而最终将所有类别重叠的实体保留下来得到的F1值更优。边界重叠则取实体出现次数最多的那一个，将其余的舍弃。
- 实体成对标点的补齐与矫正
- 词表匹配
- 适用于当前数据特点的规则等
本次比赛历时一个月时间，获得了全国第一名的成绩，也获得了一些经验和教训。
时间轴方面，在比赛初期会开放一个官方验证集，即A榜阶段，这个阶段参赛者应着重于调研与复现现有的SOTA方案，以及寻找能够提升比赛分数tricks；在比赛结束前，大概有一周的时间开放官方测试集，即最终测试集。这时参赛者应着重于对模型融合策略的把控以及后处理规则的编写。
首先，在拿到数据以后，应根据任务对数据进行一些定量的分析，保证对任务数据有着充分的了解。然后针对赛题写出相应的Baseline方案，得到Baseline方案的效果。
第二，在A榜阶段，比赛的重心应放在对单模的提升上。这个提升也可以分为两部分，其一是模型结果上的提升，最直接的就是评测指标的提升；其二是获取多种异构的模型结构，例如本次任务中预训练模型和编码器的替换，以及尝试过的MRC、Multi-Task以及Word Argumentation的方法等。这些异构的模型有助于在融合阶段得到更好的结果。这个部分应该占到总工作量的2/3以上。
最后，在B榜阶段，利用第二阶段模型的积累以及模型融合获得较好的模型结果，对比不同融合策略下模型结果的差异，制定最优的模型融合策略与后处理规则。
通过本次比赛，基本上了解并复现了如今中文NER领域的SOTA方法，对整个中文NER领域有了较为全面的了解。且代码复用性强，解耦度高，易于理解，希望后续能在这套代码的基础上取得更多优异的成绩。
[1] ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators
[2] NEZHA: Neural Contextualized Representation for Chinese Language Understanding
[3] TENER: Adapting Transformer Encoder for Named Entity Recognition
[4] R-Transformer: Recurrent Neural Network Enhanced Transformer
[5] What does BERT learn about the structure of language?
[6] FLAT: Chinese NER Using Flat-Lattice Transformer
[7] https://github.com/caishiqing/joint-mrc
[8] A Unified MRC Framework for Named Entity Recognition
[9] 一种基于自适应多任务学习的细粒度医疗命名实体识别方法
[10] Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics
[11] Don't Stop Pretraining: Adapt Language Models to Domains and Tasks
[12] https://zhuanlan.zhihu.com/p/91269728
[13] Adversarial Training Methods for Semi-Supervised Text Classification
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent