Bert-ChineseNER
Introduction
该项目是基于谷歌开源的BERT预训练模型，在中文NER任务上进行fine-tune。
Datasets & Model
训练本模型的主要标记数据，来自于zjy-usas的ChineseNER项目。本项目在原本的BiLSTM+CRF的框架前，添加了BERT模型作为embedding的特征获取层，预训练的中文BERT模型及代码来自于Google Research的bert。
Results
引入bert之后，可以看到在验证集上的F-1值在训练了16个epoch时就已经达到了94.87，并在测试集上达到了93.68，在这个数据集上的F-1值提升了两个多百分点。
Train
- 下载bert模型代码，放入本项目根目录
- 下载bert的中文预训练模型，解压放入本项目根目录
- 搭建依赖环境python3+tensorflow1.12
- 执行
python3 train.py即可训练模型 - 执行
python3 predict.py可以对单句进行测试
整理后的项目目录，应如下所示：
├── BERT fine-tune实践.md
├── README.md
├── bert
├── chinese_L-12_H-768_A-12
├── conlleval
├── conlleval.py
├── data
├── data_utils.py
├── loader.py
├── model.py
├── pictures>
├── predict.py
├── rnncell.py
├── train.py
└── utils.py
Conclusion
可以看到，使用bert以后，模型的精度提升了两个多百分点。并且，在后续测试过程中发现，使用bert训练的NER模型拥有更强的泛化性能，比如训练集中未见过的公司名称等，都可以很好的识别。而仅仅使用ChineseNER中提供的训练集，基于BiLSTM+CRF的框架训练得到的模型，基本上无法解决OOV问题。
Fine-tune
目前的代码是Feature Based的迁移，可以改为Fine-tune的迁移，效果还能再提升1个点左右。fine-tune可以自行修改代码，将model中的bert参数加入一起训练，并将lr修改到1e-5的量级。 并且，是否添加BiLSTM都对结果影响不大，可以直接使用BERT输出的结果进行解码，建议还是加一层CRF，强化标记间的转移规则。
Reference
(1) https://github.com/zjy-ucas/ChineseNER