打开你的脑洞：NER如何进行数据增强？

JayJay

作者：JayLou娄杰，本文首发于JayJay的公众号《高能AI》，一定要关注哦～

本文首先介绍传统的数据增强在NER任务中的表现，然后介绍一种单独适配于NER的数据增强方法，这种方法生成的数据更具丰富性、数据质量更高。

在NLP中有哪些数据增强技术？这一定是当今NLP面试中的必考题了吧。专栏文章《标注样本少怎么办？「文本增强+半监督学习」总结》在之前也详细总结过这个问题，先来看一张总结图：

但是，目前来看：大多数「数据增强」方法通常被用于文本分类、文本匹配等任务中，这类任务有一个共性：是“句子级别”（sentence level）的分类任务，大多数关于「文本增强」的研究也都针对这个任务。

在2020年5月的时候，JayJay突然再想：NER如何进行数据增强？有什么奇思妙想可以用上？于是我陷入沉思中......

NER做数据增强，和别的任务有啥不一样呢？很明显，NER是一个token-level的分类任务，在进行全局结构化预测时，一些增强方式产生的数据噪音可能会让NER模型变得敏感脆弱，导致指标下降、最终奔溃。

在实践中，我们也可以把常用的数据增强方法迁移到NER中，比如，我们通常采用的「同类型实体」随机替换等。但这类方法通常需要获得额外资源（实体词典、平行语料等），如果没有知识库信息，NER又该如何做数据增强呢？有没有一种单独为NER适配的数据增强方法呢？

本文JayJay主要介绍在最近顶会中、对NER进行数据增强的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主要是将传统的数据增强方法应用于NER中、并进行全面分析与对比。
EMNLP20主要是提出了一种适配于NER的数据增强方法——语言模型生成方法：1）这种方式不依赖于外部资源，比如实体词典、平行语料等；2）可同时应用于有监督、半监督场景。

具体效果如何，我们来一探究竟吧～本文的组织结构为：

1、传统的数据增强方法迁移到NER，效果如何？

在COLING20的paper中，作者借鉴sentence-level的传统数据增强方法，将其应用于NER中，共有4种方式（如上图所示）：

Label-wise token replacement (LwTR) ：即同标签token替换，对于每一token通过二项分布来选择是否被替换；如果被替换，则从训练集中选择相同的token进行替换。
Synonym replacement (SR) ：即同义词替换，利用WordNet查询同义词，然后根据二项分布随机替换。如果替换的同义词大于1个token，那就依次延展BIO标签。
Mention replacement (MR) ：即实体提及替换，与同义词方法类似，利用训练集中的相同实体类型进行替换，如果替换的mention大于1个token，那就依次延展BIO标签，如上图：「headache」替换为「neuropathic pain syndrome」，依次延展BIO标签。
Shuffle within segments (SiS) ：按照mention来切分句子，然后再对每个切分后的片段进行shuffle。如上图，共分为5个片段： [She did not complain of], [headache], [or], [any other neurological symptoms], [.]. 。也是通过二项分布判断是否被shuffle（mention片段不会被shuffle），如果shuffle，则打乱片段中的token顺序。

论文也设置了不同的资源条件：

Small(S)：包含50个训练样本；
Medium (M)：包含150个训练样本；
Large (L)：包含500个训练样本；
Full (F)：包含全量训练集；

由上图可以看出：

各种数据增强方法都超过不使用任何增强时的baseline效果。
对于RNN网络，实体提及替换优于其他方法；对于Transformer网络，同义词替换最优。
总体上看，所有增强方法一起使用（ALL）会由于单独的增强方法。
低资源条件下，数据增强效果增益更加明显；
充分数据条件下，数据增强可能会带来噪声，甚至导致指标下降；

2、DAGA：单独适配于NER的数据增强方法

EMNLP这篇NER数据增强论文DAGA来自阿里达摩院，其主要是通过语言模型生成来进行增强，其整体思路也非常简单清晰。

DAGA的核心思路也十分清晰，就是标签线性化：即将原始的「序列标注标签」与「句子token」进行混合，也就是变成「Tag-Word」的形式，如上图所示：将「B-PER」放置在「Jose」之前，将「E-PER」放置在「Valentin」之前；对于标签「O」则不与句子混合。标签线性化后就可以生成一个句子了，基于这个句子就可以进行「语言模型生成」训练啦～是不是超级简单？！

DAGA 网络（如上图）仅仅通过一层LSTM进行自回归的语言模型训练，网络很轻，没有基于BERT做。

DAGA的一大优点就是不需要额外资源，比如同义词替换就需要一个WordNet。但是论文也考虑到了使用外部资源时的情况，比如：1）有大量无标注语料时；2）有外部知识库时；

对于不同的3种资源条件下，具体的训练语料构建如上图所示：

对于标注语料，用[labeled]在句首作为条件标记；
对于无标注语料，用[unlabeled]在句首作为条件标记；
对于知识库，对无标注语料进行词典匹配后（正向最大匹配），用[KB]在句首作为条件标记；

只要输入[BOS]+[labeled]/[unlabeled]/[KB]，即可通过上述语言模型、自回归生成新的增强数据啦～

下面我们分别对上述3种资源条件下的生成方法进行验证：

2.1 只使用标注语料进行语言生成

共采用4种实验设置：

gold：通过标注语料进行NER训练
gen：即DAGA，1）通过标注语料进行语言模型训练、生成新的数据:2) 过采样标注语料; 3)新数据+过采样标注语料，最后一同训练NER；
rd：1)通过随机删除进行数据增强; 2)过采样标注语料；3)新数据+过采样标注语料，最后一同训练NER；
rd*：同rd，只是不过采样标注语料。

具体结果由上图展示（设置了6种不同语言数据、不同的原始标注数据量进行对比），可以看出：DAGA方式（gen）明显超过其他数据增强方法，特别是在低资源条件下（1k和2k数据量）。

2.2 使用无标注语料进行语言生成

共采用3种实验设置：

gold：通过标注语料进行NER训练；
wt：即弱监督方法，采用标注语料训练好一个NER模型，然后通过NER模型对无标注语料伪标生成新数据，然后再重新训练一个NER模型；
gen-ud：通过标注和无标注语料共同进行语言模型训练、生成新数据，然后再训练NER模型；

由上图的红框进行对比，可以看出：DAGA方法在所有设置下、均超过了弱监督数据方法。其实弱监督方法生成的数据质量较低、噪声较大，而DAGA可以有效改善这一情况。

可以预见的是：当有大量无标注语料时，DAGA进行的NER数据增强，将有效提升NER指标。

2.3 使用无标注语料+知识库进行语言生成

同样也是采用3种实验设置：

gold：通过标注语料进行NER训练；
kb：从全量训练集中积累实体词典（实体要在训练集上中至少出现2次），然后用实体词典匹配标注无标注语料、生成新数据，最后再训练NER模型；
gen-kb：与kb类似，将kb生成的新数据训练语言模型，语言模型生成数据后、再训练NER模型；

如上图红框所示，总体上DAGA超过了kb方式，低资源条件（1k）下，kb方式还是强于DAGA。

3、DAGA为何如此有效？

DAGA更具多样性：

如上图所示，在原始的训练集中「Sandrine」只会和「Testud」构成一个实体span，而DAGA生成的数据中，「Sandrine」会和更丰富的token构成一个实体。
此外，DAGA会生成更丰富的实体上下文，论文以相同实体mention的1-gram作为评估指标进行了统计。如下图所示，桔色代表DAGA生成的实体上下文，比原始的训练集会有更丰富的上下文。