本文首先介紹傳統(tǒng)的數(shù)據(jù)增強在NER任務(wù)中的表現(xiàn)，然后介紹一種單獨適配于NER的數(shù)據(jù)增強方法，這種方法生成的數(shù)據(jù)更具豐富性、數(shù)據(jù)質(zhì)量更高。

0

前言

在NLP中有哪些數(shù)據(jù)增強技術(shù)？這一定是當(dāng)今NLP面試中的必考題了吧。在《標(biāo)注樣本少怎么辦？》（鏈接：https://zhuanlan.zhihu.com/p/146777068）一文中也詳細(xì)總結(jié)過這個問題。 但是，目前來看：大多數(shù)「數(shù)據(jù)增強」方法通常被用于文本分類、文本匹配等任務(wù)中，這類任務(wù)有一個共性：是“句子級別”（sentence level）的分類任務(wù)，大多數(shù)關(guān)于「文本增強」的研究也都針對這個任務(wù)。 在2020年5月的時候，JayJay突然在想：NER如何進行數(shù)據(jù)增強？有什么奇思妙想可以用上？于是我陷入沉思中......

NER做數(shù)據(jù)增強，和別的任務(wù)有啥不一樣呢？很明顯，NER是一個token-level的分類任務(wù)，在進行全局結(jié)構(gòu)化預(yù)測時，一些增強方式產(chǎn)生的數(shù)據(jù)噪音可能會讓NER模型變得敏感脆弱，導(dǎo)致指標(biāo)下降、最終奔潰。 在實踐中，我們也可以把常用的數(shù)據(jù)增強方法遷移到NER中，比如，我們通常采用的「同類型實體」隨機替換等。但這類方法通常需要獲得額外資源（實體詞典、平行語料等），如果沒有知識庫信息，NER又該如何做數(shù)據(jù)增強呢？有沒有一種單獨為NER適配的數(shù)據(jù)增強方法呢？ 本文JayJay主要介紹在最近頂會中、對NER進行數(shù)據(jù)增強的2篇paper：

COLING20：《An Analysis of Simple Data Augmentation for Named Entity Recognition》

EMNLP20：《DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks》

COLING20主要是將傳統(tǒng)的數(shù)據(jù)增強方法應(yīng)用于NER中、并進行全面分析與對比。 EMNLP20主要是提出了一種適配于NER的數(shù)據(jù)增強方法——語言模型生成方法：1）這種方式不依賴于外部資源，比如實體詞典、平行語料等；2）可同時應(yīng)用于有監(jiān)督、半監(jiān)督場景。 具體效果如何，我們來一探究竟吧～本文的組織結(jié)構(gòu)為：

1

傳統(tǒng)的數(shù)據(jù)增強方法遷移到NER，效果如何？

在COLING20的paper中，作者借鑒sentence-level的傳統(tǒng)數(shù)據(jù)增強方法，將其應(yīng)用于NER中，共有4種方式（如上圖所示）：

Label-wise token replacement (LwTR)：即同標(biāo)簽token替換，對于每一token通過二項分布來選擇是否被替換；如果被替換，則從訓(xùn)練集中選擇相同的token進行替換。

Synonym replacement (SR)：即同義詞替換，利用WordNet查詢同義詞，然后根據(jù)二項分布隨機替換。如果替換的同義詞大于1個token，那就依次延展BIO標(biāo)簽。

Mention replacement (MR)：即實體提及替換，與同義詞方法類似，利用訓(xùn)練集中的相同實體類型進行替換，如果替換的mention大于1個token，那就依次延展BIO標(biāo)簽，如上圖：「headache」替換為「neuropathic pain syndrome」，依次延展BIO標(biāo)簽。

Shuffle within segments (SiS)：按照mention來切分句子，然后再對每個切分后的片段進行shuffle。如上圖，共分為5個片段： [She did not complain of], [headache], [or], [any other neurological symptoms], [.]. 。也是通過二項分布判斷是否被shuffle（mention片段不會被shuffle），如果shuffle，則打亂片段中的token順序。

論文也設(shè)置了不同的資源條件：

Small(S)：包含50個訓(xùn)練樣本；

Medium (M)：包含150個訓(xùn)練樣本；

Large (L)：包含500個訓(xùn)練樣本；

Full (F)：包含全量訓(xùn)練集；

由上圖可以看出：

各種數(shù)據(jù)增強方法都超過不使用任何增強時的baseline效果。

對于RNN網(wǎng)絡(luò)，實體提及替換優(yōu)于其他方法；對于Transformer網(wǎng)絡(luò)，同義詞替換最優(yōu)。

總體上看，所有增強方法一起使用（ALL）會由于單獨的增強方法。

低資源條件下，數(shù)據(jù)增強效果增益更加明顯；

充分?jǐn)?shù)據(jù)條件下，數(shù)據(jù)增強可能會帶來噪聲，甚至導(dǎo)致指標(biāo)下降；

2

DAGA：單獨適配于NER的數(shù)據(jù)增強方法

EMNLP這篇NER數(shù)據(jù)增強論文DAGA來自阿里達(dá)摩院，其主要是通過語言模型生成來進行增強，其整體思路也非常簡單清晰。

DAGA的核心思路也十分清晰，就是標(biāo)簽線性化：即將原始的「序列標(biāo)注標(biāo)簽」與「句子token」進行混合，也就是變成「Tag-Word」的形式，如上圖所示：將「B-PER」放置在「Jose」之前，將「E-PER」放置在「Valentin」之前；對于標(biāo)簽「O」則不與句子混合。標(biāo)簽線性化后就可以生成一個句子了，基于這個句子就可以進行「語言模型生成」訓(xùn)練啦～是不是超級簡單？！

DAGA 網(wǎng)絡(luò)（如上圖）僅僅通過一層LSTM進行自回歸的語言模型訓(xùn)練，網(wǎng)絡(luò)很輕，沒有基于BERT做。 DAGA的一大優(yōu)點就是不需要額外資源，比如同義詞替換就需要一個WordNet。但是論文也考慮到了使用外部資源時的情況，比如：1）有大量無標(biāo)注語料時；2）有外部知識庫時；

對于不同的3種資源條件下，具體的訓(xùn)練語料構(gòu)建如上圖所示：

對于標(biāo)注語料，用[labeled]在句首作為條件標(biāo)記；

對于無標(biāo)注語料，用[unlabeled]在句首作為條件標(biāo)記；

對于知識庫，對無標(biāo)注語料進行詞典匹配后（正向最大匹配），用[KB]在句首作為條件標(biāo)記；

只要輸入[BOS]+[labeled]/[unlabeled]/[KB]，即可通過上述語言模型、自回歸生成新的增強數(shù)據(jù)啦～ 下面我們分別對上述3種資源條件下的生成方法進行驗證：2.1 只使用標(biāo)注語料進行語言生成共采用4種實驗設(shè)置：

gold：通過標(biāo)注語料進行NER訓(xùn)練

gen：即DAGA，1）通過標(biāo)注語料進行語言模型訓(xùn)練、生成新的數(shù)據(jù):2) 過采樣標(biāo)注語料; 3)新數(shù)據(jù)+過采樣標(biāo)注語料，最后一同訓(xùn)練NER；

rd：1)通過隨機刪除進行數(shù)據(jù)增強; 2)過采樣標(biāo)注語料；3)新數(shù)據(jù)+過采樣標(biāo)注語料，最后一同訓(xùn)練NER；

rd*：同rd，只是不過采樣標(biāo)注語料。

具體結(jié)果由上圖展示（設(shè)置了6種不同語言數(shù)據(jù)、不同的原始標(biāo)注數(shù)據(jù)量進行對比），可以看出：DAGA方式（gen）明顯超過其他數(shù)據(jù)增強方法，特別是在低資源條件下（1k和2k數(shù)據(jù)量）。2.2 使用無標(biāo)注語料進行語言生成共采用3種實驗設(shè)置：

gold：通過標(biāo)注語料進行NER訓(xùn)練；

wt：即弱監(jiān)督方法，采用標(biāo)注語料訓(xùn)練好一個NER模型，然后通過NER模型對無標(biāo)注語料偽標(biāo)生成新數(shù)據(jù)，然后再重新訓(xùn)練一個NER模型；

gen-ud：通過標(biāo)注和無標(biāo)注語料共同進行語言模型訓(xùn)練、生成新數(shù)據(jù)，然后再訓(xùn)練NER模型；

由上圖的紅框進行對比，可以看出：DAGA方法在所有設(shè)置下、均超過了弱監(jiān)督數(shù)據(jù)方法。其實弱監(jiān)督方法生成的數(shù)據(jù)質(zhì)量較低、噪聲較大，而DAGA可以有效改善這一情況。 可以預(yù)見的是：當(dāng)有大量無標(biāo)注語料時，DAGA進行的NER數(shù)據(jù)增強，將有效提升NER指標(biāo)。2.3 使用無標(biāo)注語料+知識庫進行語言生成同樣也是采用3種實驗設(shè)置：

gold：通過標(biāo)注語料進行NER訓(xùn)練；

kb：從全量訓(xùn)練集中積累實體詞典（實體要在訓(xùn)練集上中至少出現(xiàn)2次），然后用實體詞典匹配標(biāo)注無標(biāo)注語料、生成新數(shù)據(jù)，最后再訓(xùn)練NER模型；

gen-kb：與kb類似，將kb生成的新數(shù)據(jù)訓(xùn)練語言模型，語言模型生成數(shù)據(jù)后、再訓(xùn)練NER模型；

如上圖紅框所示，總體上DAGA超過了kb方式，低資源條件（1k）下，kb方式還是強于DAGA。

3

DAGA為何如此有效？

DAGA更具多樣性：

如上圖所示，在原始的訓(xùn)練集中「Sandrine」只會和「Testud」構(gòu)成一個實體span，而DAGA生成的數(shù)據(jù)中，「Sandrine」會和更豐富的token構(gòu)成一個實體。

此外，DAGA會生成更豐富的實體上下文，論文以相同實體mention的1-gram作為評估指標(biāo)進行了統(tǒng)計。如下圖所示，桔色代表DAGA生成的實體上下文，比原始的訓(xùn)練集會有更豐富的上下文。

DAGA可以有效利用無標(biāo)注語料：DAGA通過無標(biāo)注語料來生成有用的數(shù)據(jù)，新數(shù)據(jù)中會出現(xiàn)那些未在標(biāo)注語料中出現(xiàn)的新實體。

4

總結(jié)

本文就「NER如何進行數(shù)據(jù)增強」進行了介紹：

雖然傳統(tǒng)的數(shù)據(jù)增強方法也可用于NER中，不過，JayJay認(rèn)為：傳統(tǒng)的數(shù)據(jù)增強方法應(yīng)用到NER任務(wù)時，需要外部資源，且數(shù)據(jù)增強的豐富性不足、噪音可能較大。

基于語言生成的DAGA方法是NER數(shù)據(jù)增強的一種新興方式，再不利用外部資源時會有較好的豐富性、數(shù)據(jù)質(zhì)量較好。

責(zé)任編輯：xj

原文標(biāo)題：打開你的腦洞：NER如何進行數(shù)據(jù)增強 ？

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。