BiLSTM上的CRF，用命名实体识别任务来解释CRF（3）推理

今天是第三部分，介绍如何推理新的句子。
作者：CreateMoMo
编译：ronghuaiyang
首发：AI公园公众号

2.6 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。

在本节中，我们将探索如何在模型准备好时在测试期间推断句子的标签。

步骤1：BiLSTM-CRF模型的Emission和transition得分

假设，我们有一个包含三个单词的句子：

此外，我们已经从BiLSTM模型得到了Emission分数，从下面的CRF层得到了transition分数：

表示被标记为的得分。

是从标签i转换成标签j的得分。

步骤2：开始推理

如果你熟悉Viterbi算法，那么这一部分对你来说很容易。但如果你不熟悉，请不要担心。与前一节类似，我将逐步解释该算法。我们将从句子的左到右进行推理算法，如下图所示：

你会看到两个变量：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。

是历史最好得分，是历史对应的索引。这两个变量的细节将在它们出现时进行解释。请看下面的图片：你可以把这两个变量当作狗在探索森林时沿路留下的“记号”，这些“记号”可以帮助狗找到回家的路。

现在，我们观察到第一个单词，现在，对于是很明显的。

比如，如果，很显然，的最佳的标签是。

因为只有一个单词，而且没有标签直接的转换，transition的得分没有用到。

1. 把previous扩展成：

1. 把obs扩展成：

1. 把previous, obs和transition分数都加起来：

然后：

你可能想知道，当我们计算所有路径的总分时，与上一节没有什么不同。请耐心和细心，你很快就会看到区别。

为下一次迭代更改previous的值：

比如，如果我们的得分是：

我们的下个迭代的previous是：

previous有什么含义吗? previous列表存储了每个当前的单词的标签的最大的得分。

[Example Start]

举个例子：

我们知道在我们的语料中，我们总共只有2个标签

这两个标签的索引是0和1。

previous[0]是以第0个标签为结尾的路径的最大得分，类似的previous[1]是以第1个标签为结尾的路径的最大得分。在每个迭代中，变量previous存储了以每个标签为结尾的路径的最大得分。换句话说，在每个迭代中，我们只保留了每个标签的最佳路径的信息

具有小得分的路径信息会被丢掉。

[Example End]

回到我们的主任务：

同时，我们还有两个变量用来存储历史信息（得分和索引），和。

在这个迭代中，我们把最佳得分加上，为了方便，每个标签的最大得分会加上下划线。

另外，对应的列的索引存在里。

1. 把previous扩展成：

1. 把obs扩展成：

1. 把previous, obs和transition 分数都加起来：

然后：

为下一次迭代更改previous的值：

这次迭代我们得到的分数是：

我们得到最新的previous：

实际上，previous[0]和previous[1]中最大的那个就是预测的最佳路径。

同时，每个标签和索引的最大得分会加到 上和上。

步骤3：找到具有最高得分的最佳路径

这是最后一步！你就快完成了！在此步骤中，将使用 和来查找得分最高的路径。我们将从最后一个到第一个的元素检查这两个列表中。

首先，检查 和的最后一个元素：(0.8,0.9)和(1,0)。0.9表示当label为时，我们可以得到最高的路径分数0.9。我们还知道的索引是1，因此检查(1,0)[1]=0的值。索引“0”表示前一个标签为(的索引为0)，因此我们可以得到是的最佳路径是。

其次，我们继续向后移动并得到：(1,1)的元素。从上一段我们知道w1的label是(index是0)，因此我们可以检查(1,1)[0]=1。因此，我们可以得到这部分的最佳路径。

恭喜！我们这个例子中的最佳路径是。

—END—

英文原文：https://createmomo.github.io/2017/11/24/CRF-Layer-on-the-Top-of-BiLSTM-6/

推荐阅读

• BiLSTM上的CRF，用命名实体识别任务来解释CRF（1）
• BiLSTM上的CRF，用命名实体识别任务来解释CRF（2）损失函数

关注图像处理，自然语言处理，机器学习等人工智能领域,请点击关注AI公园专栏。
欢迎关注微信公众号