ChemNer

Chinese Chemical Named Entity Recognition

本文针对化学术语构成的领域特征，从语素的角度入手，构建了化学领域语素分类表，并进行了有无语素特征的对比实验。

CRF-baseline-model

该实验选择当前字的上下文窗口为5，当前输出标签与上一输出标签的关系作为CRF的特征输入，进行模型训练和预测。

基于N-gram特征的CRF识别结果

术语 长度	术语 总数	术语识别数	正确识别数	正确率	召回率	F值
1	9	1	1	100.00%	11.11%	20.00%
2	34	26	23	88.46%	67.65%	76.67%
3	129	125	116	92.80%	89.92%	91.34%
4	110	111	103	92.79%	93.64%	93.21%
5	50	46	44	95.65%	88.00%	91.67%
6	31	27	23	85.19%	74.19%	79.31%
7	21	21	20	95.24%	95.24%	95.24%
8	16	17	15	88.24%	93.75%	90.91%
9	14	13	12	92.31%	85.71%	88.89%
>=10	34	36	29	80.56%	85.29%	82.86%
all	448	423	386	91.25%	86.16%	88.63%

使用工具CRF++: Yet Another CRF toolkit

BiLSTM-CRF-baseline-model

依赖模块

• pytorch=1.13.0
• python3.7+

运行方式

1. 运行下列命令，进行模型训练：

   python run_lstm_crf.py --do_train

2. 运行下列命令，进行模型预测

   python run_lstm_crf.py --do_predict

Acc	Recall	F1
0.9062	0.8897	0.8979

修改自CLUENER2020

Hmm-model

把语素和语素类建模为简单稳定的HMM模型，利用改进的前向算法规避术语过长的问题，最终达到了91.58%的较好效果。

CRF-model

实验选择当前字的上下文窗口为5，当前输出标签与上一输出标签的关系为特征的基础上，加入当前化学语素类的上下文窗口为5作为CRF的特征输入

基于上下文N-gram特征 + 语素类特征的CRF识别结果

术语长度	术语总数	识别出的术语个数	正确识别的术语个数	正确率	召回率	F值
1	9	2	1	50.00%	11.11%	18.18%
2	34	35	31	88.57%	91.18%	89.86%
3	129	131	123	93.89%	95.35%	94.62%
4	110	111	108	97.30%	98.18%	97.74%
5	50	46	44	95.65%	88.00%	91.67%
6	31	31	28	90.32%	90.32%	90.32%
7	21	21	20	95.24%	95.24%	95.24%
8	16	15	15	100.00%	93.75%	96.77%
9	14	14	13	92.86%	92.86%	92.86%
>=10	34	37	34	91.89%	100.00%	95.77%
all	448	443	417	94.13%	93.08%	93.60%

使用工具CRF++: Yet Another CRF toolkit