BERT_BiLSTM_CRF_NER

项目简介：该项目用BERT预训练模型+双向长短期记忆网络+条件随机场（BERT-BiLSTM-CRF）对中文医药说明书进行命名实体识别。

环境要求

Python版本：3.6.11

深度学习框架：Pytorch-1.7.0

依赖库及其版本

依赖库	版本
matplotlib	3.3.2
pandas	1.1.4
numpy	1.19.3
transformers	4.5.1
tqdm	4.49.0

使用方法

数据集预处理

数据集是使用Brat标注工具标注得来的，首先运行data_processing.py文件进行数据集的预处理，主要进行数据集的划分，BIO序列文件的获取。

模型训练

本项目实现了EmbeddingBiLSTMCRF、BertBiLSTMCRF、BertIDCNNCRF三个模型。其中EmbeddingBiLSTMCRF是指使用常规词嵌入+BiLSTM+CRF，其中常规词嵌入包括nn.Embedding层随机初始化的词嵌入或训练好的Word2Vec/Glove词嵌入。BertBiLSTMCRF是指使用Bert词嵌入+BiLSTM+CRF。而BertIDCNNCRF是指Bert词嵌入+IDCNN+CRF，其中IDCNN为自膨胀卷积模块。

默认开启BertBiLSTMCRF模型的训练，运行命令如下（后续的参数可根据自己的实际情况进行更改，也可以不进行改进按照args.py中的默认参数运行）：

python main.py  --trainset  datas/processed/train.txt \
        --validset  datas/processed/val.txt \
            --pretrained_path  bert_model/chinese_L-12_H-768_A-12 \
            --model model_name BertBiLSTMCRF \
                --isBERT True \
                --extra_embedding False \
                --embedding_path datas/word2vec.bin \
                --dropout_prob 0.5 \
                --batch_size 64 \
                --lr 0.001

参数说明：

trainset：训练集的路径
validset：验证集的路径
pretrained_path：bert模型的路径
model：模型名，['EmbeddingBiLSTMCRF', 'BertBiLSTMCRF', 'BertIDCNNCRF']
isBERT：布尔值，True表示使用Bert模型来加载序列数据，False表示采用常规词嵌入的方式来加载序列数据
extra_embedding：布尔值，True表示使用外部词嵌入，False表示直接使用nn.Embedding随机初始化生成的词嵌入
embedding_path：外部词嵌入的加载路径，前提是extra_embedding为True，可加载Word2Vec词嵌入和Glove词嵌入
dropout_prob：设置dropout率，范围[0,1]
batch_size：数据批大小
lr：学习率

模型评估

打开test.py文件，设置model_path的值，即训练好的模型的路径，然后运行下面命令即可：

python test.py  --testset datas/processed/test.txt \
        --model BiLSTMCRF

参数说明：

testset：测试集的路径

系统实现

GUI版系统

本项目还实现了一个基于Tkinter的用户交互界面，通过该界面可以导入文档或用户进行输入，识别完成后还能进行可视化展示，最终还能导出识别的命名实体集，打开GUI界面的运行命令：

python gui.py

备注：运行命名后面的参数也可先做args.py中设置好，然后直接运行相应的脚本即可。

Django版系统

本项目基于Django-3.2.3实现了一个基于BERT-BiLSTM-CRF算法模型的命名实体识别系统，系统源码参见cmners文件夹，进入系统后，按照说明的markdown文档的指示下载好相应的模型，然后运行下列命令启动系统：

python manage.py runserver

然后在浏览器中输入下列的URL即可看到系统的页面：

http://127.0.0.1/ner/system/

sxwee / BERT_BiLSTM_CRF_NER

readme