sequence tagging project

-- 更新update 2020.08.16: --

增加了论文实现Enhancing Pre-trained Chinese Character Representation with Word-aligned Attention ，基于pytorch 1.6.0，以及huggingface的transformers 2.11.0。分词工具使用了百度的lac2.0，thulac，ltp，请自行安装这些工具。

另外，我上传了已经分词好的结果，在data下面的set_orig_data_*.json中。如果想自行分词，请参考word_seg_utils.py代码。

可以使用test_data_processing.py来生成数据文件。

训练pytorch运行脚本：

bash run_torch.sh

reference

pytorch ner框架实现参考了 https://github.com/lonePatient/BERT-NER-Pytorch ，mwa实现参考了 https://github.com/lsvih/MWA

---

-- 更新update 2020.02.05: --

补充了缺失的代码和脚本，同时加了一点样例数据，方便测试代码是否可以完整运行。

---

依赖包：主要是tensorflow 1.12.0，其余见requirements.txt

目前项目包含了传统的Bilstm-crf模型和使用了bert的模型。

针对的数据：目前是基于字符级别标注的实体识别数据。使用网上公开的字符级的中文词向量。

TODO：

1、结合词级别的词向量与字符向量结合，做字符级别的tagging,已完成100%

2、joint learning with intent classification

3、不用bert，在lstm-crf基础上进行优化，增加cnn的架构，或者attention机制。已完成100%

4、seq label 转化为阅读理解问题。参考最新的论文 A Unified MRC Framework for Named Entity Recognition 已完成100%

使用的词向量来源于：

https://github.com/Embedding/Chinese-Word-Vectors

词向量模型存放在data/embedding_data路径下

使用的bert预训练模型为：

chinese_roberta_wwm_ext_L-12_H-768_A-12

bert预训练模型存放在data/根路径下

训练数据目前暂时没法传上来，但是格式可以如下所示：

海 钓 比 赛 地 点 在 厦 门 与 金 门 之 间 的 海 域 。

O O O O O O O B-LOC I-LOC O B-LOC I-LOC O O O O O O

如上为一条样本。项目中的data_preprocessing会根据不同的方法做预处理，并将处理后的数据用.npy格式存储。

目前bert+mrc训练和评测没有问题，其他方法待优化完善。

训练运行脚本：

bash run_train.sh

评测运行脚本：

bash run_pred.sh

实验结果部分汇总：

method	f1-micro-avg
bilstm+$crf_{baseline}$	0.8702
bilstm+crf+wordemb	0.8783
bilstm+cnn+crf+wordemb	0.8818
bert+celoss	0.9333
bert+bilstm+crf	0.9387
bert+diceloss	0.9354
bert+mrc+celoss	0.9550
bert+mrc+focalloss	0.9580