記得前後兩次陸續投入總計約100天。或許有人會發現為何在分享這幾篇自然語言會強調中文數據？最好理解的說法就是中文是基於字表示再加上中文斷詞的效果，比起每個單詞只需空格來表示的英文硬是麻煩點。命名實體識別 (Named Entity Recognition, NER) 是指將語句中的元素分成預先定義的類別 (開放域來說包括實體、時間和數字3個大類，人名、地名、組織名、機構名、時間、日期、數量和名字等7個小類，特定領域就像是藥名、疾病等類別)。要應用在那方面？像是關係抽取、對話意圖理解、輿情分析、對話NLU任務等等都用得上，更廣義的就屬填槽 (Slot-Filling) 了。

最早 (2019/08時) 我們需處理的場景是針對電話助理的對話內容 (就是APP幫你接電話跟對方對話) 在語音識別後跟語音合成前的處理，印像中沒做到非常深入；後來剛好招聘到熟悉NER這部份的小夥伴們，剛好一直想把聊天對話做個流程處理 (多輪對話的概念) ，就再花了點時間當做上手，因為不想依賴大量關鍵字和正規表示式做前處理，中間試了不少數據集，還做了像是用拼音、注音等，或者品牌定義等超多的實驗，甚至還一度想硬整合 RASA 等等的開源套件，也嘗試用了 "改寫" 來修正對話內容，去識別出語句中的重點字。至於這個的數據標據就真的更累人，意外找到一個蠻好用的標註系統 ChineseAnnotator，然後我們就瘋狂開始標註 !

NER

• NER:將語句中的元素分成預先定義的類別（人名、地名...)

  • 傳統NER七大類別

  • 3大類：實體/時間/數字

  • 7大類：人名/地名/組織名/機構名/時間/日期/貨幣/百分比

• 現有工具：

  • FLAT: Chinese NER Using Flat-Lattice Transformer：https://arxiv.org/pdf/2004.11795.pdf

  • Standford Parser：https://nlp.stanford.edu/software/CRF-NER.html

  • spaCy：https://spacy.io

  • 哈工大LTP：https://ltp.ai

    • Package: pyltp (LTP的python封裝)

    • 安裝與使用說明文件

    • 線上測試

    • 優點：包含分词、詞性標記、NER、依存句法分析和語意角色分析等功能

    • 缺點：各功能間存在依賴性，較難個別拆解

  • 中研院CKIP：https://github.com/ckiplab/ckiptagger

    • 台灣中央研究院釋出的處理工具，比起一代的版本更有彈性且開源

    • 中文說明

    • 優點：

      • 不支援不限長度的句子，且不會自動 增/刪/改 字

      • 使用者可自訂參考或強制的詞典並設定權重

    • 缺點：對於簡體中文與大陸用語的支援度可能不適用

  • 近期做法：使用BERT(或其變種)取代embedding

  • BERT

  • Albert

  • Huggingface Transformer

    • 建構在pytorch和tensorflow2.0上，支援多種pre-trained language model供人使用

    • 中文說明與範例

    • 範例：

from transformers import *

import torch

input = 'hello' # 定義input

tokenizer = BertTokenizer.from_pretrained('bert-base-cased') # 載入tokenizer

token = tokenizer.encode(input) # 對input進行編碼

token_tensor = torch.tensor([token]) # 將輸入轉換成tensor (張量)

model = BertModel.from_pretrained('bert-base-cased') # 載入模型

model.eval() # 將模型設定為evaluation模式並關閉dropout

model(token_tensor) # 將輸入轉換成embedding

• • TinyBert

Slot-Filling

Chatbot 系統流程

• 開放域多輪對話：判斷使用者的意圖

  • 允許條件：從開放域進入封閉域或是封閉域間的跳轉所需要的邏輯判斷

  • 封閉域對話：判斷使用者意圖後為了確認目的而進行的對話

    • input, output是可以列舉的

    • 對話有明確的目的與流程

• 填槽：讓使用者意圖轉化為明確的指令進而補全訊息的過程，將query中被明確定義屬性的值從資料集中抽取出來

定義

• 槽(Slot):被明確定義type的entity

  • type分為可空白/不可空白填寫

  • 當type為不可空白而同時又沒有填寫時，必須進行clarify

  • clarify存在先後順序

  • 槽與槽之間分為

    • 平級槽：兩個槽之間沒有依賴關係

    • 依賴槽：後續的槽依賴前面的槽(不同國家手機號碼格式不同，故國家槽影響手機號碼槽)

• 多輪記憶狀態

  • 槽位：槽由槽位構成，一個槽位就是一種填槽的方式

  • Type:

    • 詞槽：透過使用者對話中的關鍵字獲取訊息的方式

    • 接口：透過其他方式獲取訊

    • 槽位之間也存在優先級

    • 若使用者透過詞槽指定後期優先級別應該為最高

  • 類別: 150細類 (參考論文)