简介

最近,CCF大数据与计算智能大赛出了好几个赛题。

CCF BDCI比赛链接:https://www.datafountain.cn/special/BDCI2020
比赛baseline汇总:https://github.com/datawhalechina/competition-baseline

我报名了这个《非结构化商业文本信息中隐私信息识别》,赛题详情可见https://www.datafountain.cn/competitions/472,看到数据与评测说明时,这不就是NER吗?然后我又想到了苏大神的bert4keras(https://github.com/bojone/bert4keras),感觉bert4keras简直就是NLP领域里baseline首选。

关于数据说明,官网已经列了,这里不在详细,可看下图

数据预处理

我们来看下文本长度分布:

import glob
import numpy as np
import matplotlib.pyplot as plt
file_list = glob.glob('./data/train/data/*.txt')
file_sizes = []
for file in file_list:with open(file,"r") as f:file_sizes.append(len(f.read()))
plt.hist(x = file_sizes, bins = 20, color = 'steelblue', edgecolor = 'black', rwidth=0.7)
plt.show()

看上图,大部分的文本长度在200以内,少数比较长,适当设置文本长度来截断长文本

然后来看下标签数据:

label_file_list = glob.glob('./data/train/label/*.csv')
import pandas as pd
labels = dict()
for label_file in label_file_list:df = pd.read_csv(label_file, sep=",",encoding="utf-8")count_df = df['Category'].value_counts()for label in list(count_df.index):if labels.get(label) is None:labels[label] = count_df[label]else:labels[label] += count_df[label]
labels

可以看到,标签数据是严重不平衡的,position类别是最多的,有3580条,最少的vx只有19条,在标签数据不平衡的情况下如何改进baseline是之后要放重点的地方。

我们需要把数据整理成以下格式:

所以一步步来,先将文本数据分句处理,再按文本长度阈值分割文本,按"字 标志属性"统一写入新的文件中,我在这里将数据分了5折,用于后续交叉训练:

def _cut(sentence):"""将一段文本切分成多个句子:param sentence::return:"""new_sentence = []sen = []for i in sentence:if i in ['。', '!', '?', '?'] and len(sen) != 0:sen.append(i)new_sentence.append("".join(sen))sen = []continuesen.append(i)if len(new_sentence) <= 1: # 一句话超过max_seq_length且没有句号的,用","分割,再长的不考虑了。new_sentence = []sen = []for i in sentence:if i.split(' ')[0] in [',', ','] and len(sen) != 0:sen.append(i)new_sentence.append("".join(sen))sen = []continuesen.append(i)if len(sen) > 0:  # 若最后一句话无结尾标点,则加入这句话new_sentence.append("".join(sen))return new_sentence
def cut_test_set(text_list,len_treshold):cut_text_list = []cut_index_list = []for text in text_list:temp_cut_text_list = []text_agg = ''if len(text) < len_treshold:temp_cut_text_list.append(text)else:sentence_list = _cut(text)  # 一条数据被切分成多句话for sentence in sentence_list:if len(text_agg) + len(sentence) < len_treshold:text_agg += sentenceelse:temp_cut_text_list.append(text_agg)text_agg = sentencetemp_cut_text_list.append(text_agg)  # 加上最后一个句子cut_index_list.append(len(temp_cut_text_list))cut_text_list += temp_cut_text_listreturn cut_text_list, cut_index_list
def process_one(text_file, lable_file, w_path_, text_length):with open(text_file,"r") as f:text = f.read()lines, line_len = cut_test_set([text],text_length)df = pd.read_csv(lable_file, sep=",",encoding="utf-8")q_dic = dict()for index, row in df.iterrows():cls = row[1]start_index = row[2]end_index = row[3]length = end_index - start_index+1for r in range(length):if r == 0:q_dic[start_index] = ("B-%s" % cls)else:q_dic[start_index + r] = ("I-%s" % cls)i = 0for idx, line in enumerate(lines):with codecs.open(w_path_, "a+", encoding="utf-8") as w:for str_ in line:if str_ is " " or str_ == "" or str_ == "\n" or str_ == "\r":passelse:if i in q_dic:tag = q_dic[i]else:tag = "O"  # 大写字母Ow.write('%s %s\n' % (str_, tag))i+=1w.write('\n')  
import glob
import numpy as np
from sklearn.model_selection import train_test_split,KFold
import os
import pandas as pd
import codecs
file_list = glob.glob('./data/train/data/*.txt')
kf = KFold(n_splits=5, shuffle=True, random_state=999).split(file_list)
file_list = np.array(file_list)
#设置样本长度
text_length = 250
for i, (train_fold, test_fold) in enumerate(kf):print(len(file_list[train_fold]),len(file_list[test_fold]))train_filelist = list(file_list[train_fold])val_filelist = list(file_list[test_fold])# train_filetrain_w_path = f'./data/train_{i}.txt'for file in train_filelist:if not file.endswith('.txt'):continuefile_name = file.split(os.sep)[-1].split('.')[0]label_file = os.path.join("./data/train/label", "%s.csv" % file_name)process_one(file, label_file, train_w_path, text_length)# val_fileval_w_path = f'./data/val_{i}.txt'for file in val_filelist:if not file.endswith('.txt'):continuefile_name = file.split(os.sep)[-1].split('.')[0]label_file = os.path.join("./data/train/label", "%s.csv" % file_name)process_one(file, label_file, val_w_path, text_length)

模型构建与训练

接下去就是建模和训练了。

import os
import tensorflow as tf
import keras
import bert4keras
import numpy as np
from bert4keras.backend import keras, K
from bert4keras.models import build_transformer_model
from bert4keras.tokenizers import Tokenizer
from bert4keras.optimizers import Adam
from bert4keras.snippets import sequence_padding, DataGenerator
from bert4keras.snippets import open, ViterbiDecoder, to_array
from bert4keras.layers import ConditionalRandomField
from keras.layers import Dense,Bidirectional, LSTM,Dropout
from keras.models import Model
from tqdm import tqdm
maxlen = 250
epochs = 10
# batch_size = 8
bert_layers = 12
learing_rate = 3e-5  # bert_layers越小,学习率应该要越大
crf_lr_multiplier = 1500  # 必要时扩大CRF层的学习率 #500,1500# bert配置
config_path = './publish/bert_config.json'
checkpoint_path = './publish/bert_model.ckpt'
dict_path = './publish/vocab.txt'def load_data(filename):D = []with open(filename, encoding='utf-8') as f:f = f.read()for l in f.split('\n\n'):if not l:continued, last_flag = [], ''for c in l.split('\n'):try:char, this_flag = c.split(' ')except:print(c)continueif this_flag == 'O' and last_flag == 'O':d[-1][0] += charelif this_flag == 'O' and last_flag != 'O':d.append([char, 'O'])elif this_flag[:1] == 'B':d.append([char, this_flag[2:]])else:d[-1][0] += charlast_flag = this_flagD.append(d)return D# 建立分词器
tokenizer = Tokenizer(dict_path, do_lower_case=True)# 类别映射labels = ['name','movie','organization','position','company','game','book','address','government','scene','email','mobile','QQ','vx']id2label = dict(enumerate(labels))
label2id = {j: i for i, j in id2label.items()}
num_labels = len(labels) * 2 + 1class data_generator(DataGenerator):"""数据生成器"""def __iter__(self, random=False):batch_token_ids, batch_segment_ids, batch_labels = [], [], []for is_end, item in self.sample(random):token_ids, labels = [tokenizer._token_start_id], [0]for w, l in item:w_token_ids = tokenizer.encode(w)[0][1:-1]if len(token_ids) + len(w_token_ids) < maxlen:token_ids += w_token_idsif l == 'O':labels += [0] * len(w_token_ids)else:B = label2id[l] * 2 + 1I = label2id[l] * 2 + 2labels += ([B] + [I] * (len(w_token_ids) - 1))else:breaktoken_ids += [tokenizer._token_end_id]labels += [0]segment_ids = [0] * len(token_ids)batch_token_ids.append(token_ids)batch_segment_ids.append(segment_ids)batch_labels.append(labels)if len(batch_token_ids) == self.batch_size or is_end:batch_token_ids = sequence_padding(batch_token_ids)batch_segment_ids = sequence_padding(batch_segment_ids)batch_labels = sequence_padding(batch_labels)yield [batch_token_ids, batch_segment_ids], batch_labelsbatch_token_ids, batch_segment_ids, batch_labels = [], [], []def bertmodel():model = build_transformer_model(config_path,checkpoint_path,)output_layer = 'Transformer-%s-FeedForward-Norm' % (bert_layers -1)output = model.get_layer(output_layer).outputoutput = Dense(num_labels)(output) # 27分类CRF = ConditionalRandomField(lr_multiplier=crf_lr_multiplier)output = CRF(output)model = Model(model.input, output)
#     model.summary()model.compile(loss=CRF.sparse_loss,optimizer=Adam(learing_rate),metrics=[CRF.sparse_accuracy])return model,CRFclass NamedEntityRecognizer(ViterbiDecoder):"""命名实体识别器"""def recognize(self, text):tokens = tokenizer.tokenize(text)mapping = tokenizer.rematch(text, tokens)token_ids = tokenizer.tokens_to_ids(tokens)segment_ids = [0] * len(token_ids)token_ids, segment_ids = to_array([token_ids], [segment_ids])nodes = model.predict([token_ids, segment_ids])[0]labels = self.decode(nodes)entities, starting = [], Falsefor i, label in enumerate(labels):if label > 0:if label % 2 == 1:starting = Trueentities.append([[i], id2label[(label - 1) // 2]])elif starting:entities[-1][0].append(i)else:starting = Falseelse:starting = Falsereturn [(text[mapping[w[0]][0]:mapping[w[-1]][-1] + 1], l)for w, l in entities]def evaluate(data):"""评测函数"""X, Y, Z = 1e-10, 1e-10, 1e-10for d in tqdm(data):text = ''.join([i[0] for i in d])R = set(NER.recognize(text)) # 预测T = set([tuple(i) for i in d if i[1] != 'O']) #真实X += len(R & T) Y += len(R) Z += len(T)precision, recall =  X / Y, X / Zf1 = 2*precision*recall/(precision+recall)return f1, precision, recallclass Evaluator(keras.callbacks.Callback):def __init__(self,valid_data, mode=0):self.best_val_f1 = 0self.valid_data = valid_dataself.mode=mode  # k折的时候记录第几折def on_epoch_end(self, epoch, logs=None):trans = K.eval(CRF.trans)NER.trans = trans
#         print(NER.trans)f1, precision, recall = evaluate(self.valid_data)# 保存最优if f1 >= self.best_val_f1:self.best_val_f1 = f1model.save_weights('./best_bilstm_model_{}.weights'.format(self.mode))logger.info('valid:  f1: %.5f, precision: %.5f, recall: %.5f, best f1: %.5f\n' %(f1, precision, recall, self.best_val_f1))batch_size = 12train_data = load_data(f'./data/train_0.txt')
valid_data = load_data(f'./data/val_0.txt')
model,CRF = bertmodel()
NER = NamedEntityRecognizer(trans=K.eval(CRF.trans), starts=[0], ends=[0])evaluator = Evaluator(valid_data)
train_generator = data_generator(train_data, batch_size)model.fit_generator(train_generator.forfit(),steps_per_epoch=len(train_generator),epochs=epochs,callbacks=[evaluator])

预测

这里要注意一下,

1.属性要小写,官网上列举的样例是大写,我一开始也改成大写了,然后提交的时候老是报错,后来还是网友指点才改成小写的。

2.预测end的时候,要记得-1,第一次成功提交的时候,分数只有0.003...,看到这个分数,肯定是起始/终止位置搞错了,很快就发现了。

3.df.to_csv()的时候,encoding要设置为utf-8-sig,我一开始设置的utf-8,报错,网上查了说要加-sig

def test_predict(data, NER_):test_ner =[]    for text in tqdm(data):cut_text_list, cut_index_list = cut_test_set([text],maxlen)posit = 0item_ner = []index =1for str_ in cut_text_list:ner_res  = NER_.recognize(str_)for tn in ner_res:ans = {}ans["label_type"] = tn[1]ans['overlap'] = "T" + str(index)ans["start_pos"] = text.find(tn[0],posit)ans["end_pos"] = ans["start_pos"] + len(tn[0])-1posit = ans["end_pos"]ans["res"] = tn[0]item_ner.append(ans)index +=1test_ner.append(item_ner)    return test_nertest_files = os.listdir("./data/test")
ids = []
starts = []
ends = []
labels=[]
ress = []
for file in test_files:if not file.endswith(".txt"):continueid_ = file.split('.')[0]with codecs.open("./data/test/"+file, "r", encoding="utf-8") as f:line = f.readlines()aa = test_predict(line, NER)for line in aa[0]:ids.append(id_)labels.append(line['label_type'])starts.append(line['start_pos'])ends.append(line['end_pos'])ress.append(line['res'])df=pd.DataFrame({"ID":ids, "Category":labels,"Pos_b":starts,"Pos_e":ends,"Privacy":ress})
df.to_csv("predict.csv", encoding="utf-8-sig", sep=',',index=False)

其实这个baseline是深度之眼中医药说明书实体识别赛道指导班的导师GAuss老师提供的初版,我针对《非结构化商业文本信息中隐私信息识别》这个赛题,做了些改动,主要就是数据处理方面的改动。

OK,接下去的提升就要靠自己了,加油!

如果有兴趣,可以加入比赛指导班,各种比赛提分技巧在分享。前者是天池上的中药说明书实体识别赛道指导班,虽然比赛结束了,但是课程还在,数据也有,还是可以学习,也能应用到其他NER比赛中,后者是非结构化商业文本信息中隐私信息识别指导班,即将开班,这个比赛现在还在进行中,想要0基础开打或提升分数的朋友们赶紧加入吧。

非结构化商业文本信息中隐私信息识别Baseline相关推荐

  1. 非结构化商业文本中隐私信息识别-第2名方案(含数据)

    向AI转型的程序员都关注了这个号???????????? 人工智能大数据与深度学习  公众号:datayx 随着社交网络.移动通讯等技术的迅速发展,网络中存在大量包含隐私数据的文本信息,如何在非结构化 ...

  2. 2020 CCF BDCI 非结构化商业文本信息中隐私信息识别TOP5方案

    2020 CCF BDCI 非结构化商业文本信息中隐私信息识别TOP5方案 1 写在前面  在本次CCF BDCI的非结构化商业文本信息中隐私信息识别比赛中,我们团队水煮毛血旺在初赛A榜B榜排名第六, ...

  3. 知识图谱-知识抽取(三):非结构化数据【DeepDive:基于远程监督的“关系抽取”】【斯坦福开发的开源知识抽取系统,通过弱监督学习,从非结构化的文本中抽取结构化的关系数据 】

    deepdive是由斯坦福大学InfoLab实验室开发的一个开源知识抽取系统.它通过弱监督学习,从非结构化的文本中抽取结构化的关系数据 .是目前人工智能学习领域的一个热门项目.原文见 http://d ...

  4. 千寻的计算机字符,R语千寻 | 非结构化数据--文本数据的读入

    原标题:R语千寻 | 非结构化数据--文本数据的读入 " 上一期(),我们介绍了普通数据读入的方法,一般来说,如果你的数据够规矩,够整齐,按照我们上期介绍的方法,注意注意路径.分隔符等常见问 ...

  5. 非结构化数据定义、处理方法及重要性

    一.非结构化数据定义 不方便用数据库二维逻辑表来表现的数据即称为非结构化数据,包括所有格式的办公文档. 文本.图片. 标准通用标记语言下的子集 XML. HTML.各类报表.图像和音频/视频信息等等. ...

  6. 分析非结构化数据和非结构化处理

    文章目录 一.非结构化数据的定义 二.非结构化处理的重要性 三.数据类型 四.非结构化处理的方法和手段 1. 采集 2. 查询 3. 存储 4. 前景 一.非结构化数据的定义 非结构化数据是数据结构不 ...

  7. 浅述非结构化数据与非结构化处理

    文章目录 一.非结构化数据的定义 二.非结构化处理的重要性 1. 有大量的非结构化数据需要处理 2. 非结构化数据蕴藏着大量的价值 3. 非结构化处理不需要依靠数据科学家团队 4. 终端用户授权 三. ...

  8. 夺权!非结构化数据制霸大数据

    结构化 数据与非结构化数据之争已经见到了眉目,而我国的 大数据 产业也正处在由结构化为主到非结构化为主的过程中.那么非结构化数据为何可以取代结构化数据制霸大数据市场呢? 一朝天子一朝臣,一个时代一尊神 ...

  9. 如何使用 SQL Server FILESTREAM 存储非结构化数据?这篇文章告诉你!

    作者 | ALEN İBRIÇ 译者 | 火火酱,责编 | Carol 封图 | CSDN 付费下载于视觉中国 在本文中,我将解释如何使用SQL Server FILESTREAM来存储非结构化数据. ...

最新文章

  1. bzoj1174 Toponyms
  2. 微软BI 之SSAS 系列 - 多维数据集维度用法之二 事实维度(退化维度 Degenerate Dimension)...
  3. ecshop数据表结构说明
  4. 全民直播CTO张云龙:已全面迁移至阿里云
  5. Websocket总结
  6. 我想吐槽“吐槽 Google 换新 Logo 的人”
  7. [BUUCTF-pwn]——[ZJCTF 2019]EasyHeap
  8. BZOJ #3064. Tyvj 1518 CPU监控(线段树,历史最值)
  9. 6大设计原则之里氏替换原则
  10. 阿里工程师用 8 张图告诉你如何存储、管理泛内容数据
  11. 荣获2009年“微软最有影响力开发者”称号
  12. 怎样把PPT文稿转换为word
  13. matlab color选取(颜色对照表)
  14. 圆通电子面单下单接口
  15. 清除90天苹果充值记录_王者荣耀开启安卓、苹果系统数据互转
  16. 使用Tensorflow实现声纹识别
  17. 选择勤哲Excel服务器做企业管理系统ERP的经验之谈
  18. 去法国,买哪些伴手礼既有面子又不破费
  19. python出现warning_Python warning警告出现的原因及忽略方法
  20. 顺序表实现 电子地图管理系统

热门文章

  1. 【达内课程】运算符号
  2. 云计算机和UI设计师哪个挣钱,ui设计师跟网络工程师哪个好
  3. 河南固始计算机学校哪个好,信阳市最好的5所高级中学,每一所都实力雄厚,都出过高考状元...
  4. 2021-08-16开发红外额温枪方案用国产芯片CS1258
  5. 智慧电网的重要监测技术
  6. 华为“卖车”:是不是“吹”就等下半年
  7. Android Json 数据(省份和县)
  8. 架设传奇,问道,怎么选服务器
  9. Ubuntu18.04 安装 Pycharm
  10. 乡村振兴,乡村大脑,创神