1.皇家牛牛这款游戏可以开挂，确实是有挂的，通过添加客服微信【69174242】

2.在"设置DD功能DD微信手麻工具"里.点击"开启".

3.打开工具加微信【69174242】.在"设置DD新消息提醒"里.前两个选项"设置"和"连接软件"均勾选"开启"(好多人就是这一步忘记做了)

4.打开某一个微信组.点击右上角.往下拉."消息免打扰"选项.勾选"关闭"(也就是要把"群消息的提示保持在开启"的状态.这样才能触系统发底层接口。)

【央视新闻客户端】

摘要：由于中文词语缺乏明确的边界和大小写特征，单字在不同词语下的意思也不尽相同，较于英文，中文命名实体识别显得更加困难。该文利用词向量的特点，提出了一种用于深度学习框架的字词联合方法，将字特征和词特征统一地结合起来，它弥补了词特征分词错误蔓延和字典稀疏的不足，也改善了字特征因固定窗口大小导致的上下文缺失。在词特征中加入词性信息后，进一步提高了系统的性能。在1998年《人民日报》语料上的实验结果表明，该方法达到了良好的效果，在地名、人名、机构名识别任务上分别提高1.6％、8％、3％，加入词性特征的字词联合方法的F1值可以达到96.8％、94.6％、88.6％。

关键词：命名实体识别；深度学习；神经网络；机器学习；词性

命名实体识别（named entity recognition，NER）是自然语言处理（natural language processing，NLP）的一项基础任务，它的重要作用是从文本中准确地识别出人名、地名、机构名、时间、货币等信息，为机器翻译、自动文摘、主题发现、主题跟踪等高级NLP任务提供实用的信息。最初的NER主要采用的是基于规则的识别，通过领域专家和语言学者手工制定有效规则，识别出命名实体。这样的方法仅适用于简单的识别系统，对于复杂的NER，要求规则之间不能产生冲突，因此制定规则会消耗人们大量的时间和精力，且领域迁移性欠佳。因此，随着技术的发展，越来越多的人们采用机器学习的方法来完成NER任务。

近年来，研究者们把NER任务规约为一种序列标注任务，对于每一个输入的字，判断其标签类别，根据最终的类别标签判定命名实体的边界和类型。例如，在“SBEIO”策略中，S表示这个字本身就是一个命名实体，B表示该字是命名实体的开始，I表示该字位于命名实体的中间位置，E表示命名实体的结尾，O表示该字不属于命名实体的一部分。序列标注任务有许多适用的机器学习方法，例如，隐马尔科夫模型（hidden markov models，HMM）、最大熵马尔科夫模型（maximum entropy markovmodels，MEMM）、条件随机场（conditional ran-dom fields，CRF）等。这些学习方法需要研究者手工提取有效的语法特征，设定模型的模板进行识别，因此特征模板的选择直接影响NER的结果。Zhou和Su提出使用四种不同的特征去提高HMM在NER的性能。Borthwick等利用了MEMM和额外的知识集合，例如姓氏集，提高了NER标注的准确性。Lafferty等提出CRF用于模式识别和机器学习，后来McCallum和Li提出了特征感应的方法和Viterbi方法，用于寻找最优NER序列。在中文NER领域，存在着一些问题，例如系统的自适应性不强、网页数据复杂、简称机构名识别困难。陈钰枫提出使用双语对齐信息来提高NER性能和双语对齐结果，可以有效提高中文NER的自适应性。邱泉清提出使用CRF模型对微博数据进行命名实体识别，利用知识库和合适的特征模板，取得了良好的效果。本文使用深度神经网络进行NER，可以提高系统的召回率，有效提升系统的自适应性。

机器学习方法需要提取文本特征，如何高效地表示文本的语法和语义特征，是NLP领域亟需解决的问题。近几年，word2vec的提出吸引了无数NLP爱好者的目光。它可以将词语表示成一个固定长度的低维向量，这个向量被认为具有一定的潜在语义信息，近似词语之间具有一定的向量相似性，词向量之间还可以进行加减操作，获得词语之间的语义联系，例如等式“国王—男＋女＝王后”成立。因此，使用词向量作为输入特征，可以更自然地展示语言的潜在信息，而且不需要手工设置特征模板，对于NER的识别具有一定的积极意义。可以把词向量作为深度神经网络的输入，执行许多NLP任务。深度神经网络是一个用于挖掘潜在有用特征的多层神经网络，网络的每一层的输出是该语句的一种抽象表示，层级越高，表示的信息越抽象。语言本身就是一种抽象的表达，因此采用基于词向量的特征表示，利用深度神经网络进行命名实体识别，可以有效地提高NER的性能。

相较于西方语言如英语的NER，中文命名实体识别显得更加困难，因为中文词语没有明确的边界信息和首字大小写信息。因此，分词错误的漫延和信息缺失会大大降低NER的准确率。中文的字和词都具有其特定的语义信息，相同的字组成不同顺序的词语之间的语义可能差别很大，而且由于词典的不完备性，识别过程中会出现很多的未登录词造成识别的错误，自然地，基于字的命名实体识别方法被提出。但是，基于字的NER也有其自身的局限性。一方面，由于窗口大小的限制，导致无法获得更多的有用信息；另一方面，中文词语具有其特殊的含义，字也有它本身的意义，仅使用字的NER系统无法高效关联出字词之间的联系。因此，我们考虑使用字词结合的方法进行NER。词性是词语的重要属性，词性可以表达更加抽象的词语特征，因此在NER中加入词性特征可以为系统提供更多的有用信息，帮助分类算法进行分歧判断。因此，我们提出将词性信息加入特征向量中，该方法可进一步提高中文命名实体识别系统的性能。

本文的主要工作如下：（1）我们提出将深度神经网络应用于中文命名实体识别，该方法可有效提高中文NER的性能；（2）我们利用字向量、词向量的特点，提出了将字词联合的方法用于深度神经网络的中文NER系统；（3）我们方便地在深度神经网络中加入了词性信息，进一步提高了系统的识别性能。

本文的组织结构如下：第一节介绍了引言及相关工作；第二节主要介绍了深度神经网络的结构和训练方法，详细介绍了字向量、词向量和字词结合向量三种输入特征的表示；第三节对比了不同窗口大小和隐藏节点个数情况下，在字向量、词向量和字词联合向量作为输入特征时，DNN在中文NER上的实验结果；最后一节是本文的结论。

命名实体识别任务可以被抽象为输入的每一个字进行“SBEIO”标签预测的问题。传统的标注方法是人工选择一组适合该任务的特征模板，标注结果的好坏依赖于特征模板的质量。因此，研究者需要学习和掌握语言学知识和领域常识，这会消耗大量的时间、财力和精力。Collobert等提出了一种深度神经网络（deep neural network，DNN）结构，普遍适用于许多NLP标注任务。DNN可以训练一套低维词向量用于词语的特征表示，它不再需要人工设计一个特殊的特征模板，最重要的是词语的向量之间具有潜在的语义关系，因此使用词向量可以提高任务的召回率。除此之外，DNN可以很方便的加入额外的特征信息。所以，我们选择深度神经网络结构进行中文NER任务。

DNN是一个多层的神经网络，它的结构如图1所示。第一层是输入层，它主要负责将输入窗口的字或者词进行词向量的映射，所有出现在字典中的字或者词都有一个固定长度的低维向量，这些向量被存放在Lookup表中，当输入窗口产生新的字词后，输入层将对这些字词进行向量映射，将其按顺序进行组合，获得该窗口下的窗口向量，窗口向量作为DNN第二层的输入。第二层是一个标准的神经网络，它具有两个线性层和一个位于中间的非线性层。第三层是采用Viterbi算法实现的输出层，它主要负责对输入的句子进行最优标签序列的搜索。

我们定义一个字典DC和一个词典DW，所有字向量均保存在字向量矩阵中，所有的词向量均保存在词向量矩阵中，其中和分别表示每个字向量和词向量的维度，｜DC｜和｜DW｜分别表示字典和词典的大小。

给定一个中文句子c[1：n]，这个句子由n个字组成，经过分词以后，这个句子可以被分为m个词语。我们使用映射函数和，如式（1）、式（2）所示 。

其中的第列。是在字典中的字典序，是在词典中的词典序。

假定中文句子c[1：n]，首先我们抽取每个字的特征向量作为深度神经网络的输入。对每一个字，最简单的方法是直接使用作为的输入特征，但是每个字的上下文对于这个字所表达的意义具有重要的作用，因此应该尽可能地使用上下文为提供更多的信息。由于句子的长短不一，为了适应不同长度的句子，使用滑动窗口的方式进行字特征的提取是合理的。

我们定义字窗口大小为，然后按照从左到右的顺序滑动窗口，对于每一个字，它的输入特征定义为：

如果出现字不在字典中的情况或者超边界，我们将其映射为一个固定的向量，在实验中我们为每一维数值均设定相同的归一化向量。

字特征向量作为神经网络模型的输入，需要经过两次线性变换和一次非线性变换g（·）抽取特征。我们采用sigmoid函数作为非线性变换的抽取函数：

假设NER的标签种类用表示，则神经网络的输出是一个｜｜维的向量。例如，使用“SBEIO”策略则输出层包含五个节点。这个输出向量表示对滑动窗口中字，预测每个标签的概率。我们可以对每个字按照如式（5）进行概率预测。

类似字特征，我们定义词特征窗口为，对于词，它的输入特征可以简单定义为：

词向量的表示还有一个优点，就是可以方便的添加新的特征。例如，对于词语可以添加词性特征，对于单字可以添加姓氏特征等。由于命名实体的构成依赖于外部语言环境，词性信息可以很好地对词语进行抽象，进一步发现语句的结构联系，所以我们在词特征中加入词性信息，进一步提高NER的性能。

我们定义词性标注集合为POS，现定义一个单位方阵，当词被标记为时，其对应的词性序为k，的词性向量表示为，它是一个One-hot向量，向量第k值为1，其余全部为0。其映射函数如式（7）所示。

给定某个中文语句由m个词w[1：m]组成，词性标注序列为ps[1：m]。那么，词特征可以被定义为：

带词性的词特征被定义为每个词向量及其词性one-hot向量的拼接，然后首尾相接组成词特征。

我们选择字词结合的向量主要基于以下两个原因：（1）基于字的NER不能够理解中文汉字的意义，例如“中国”和“印度尼西亚”在仅使用字窗口的情况下，因为窗口限制及字长差异，是无法进行联系扩展并将其正确地识别为地名的；（2）基于词的NER强依赖于分词结果的质量和词典的完备程度，如果分词出现错误会直接影响NER的结果。另外，因为不存在于词典中的词语会被映射为一个特殊的向量，意味着这个词语本身不能够提供任何信息，极有可能造成词语的误判断。因此，我们选择字词结合的方式进行NER，二者之间可以进行有效的互补，从而提高NER系统的识别性能。

结合的邻近字和的上下文，定义字窗口和词窗口大小分别为ω?和，从左至右滑动输入窗口，对于每个字，它的字词联合输入特征定义为：

加入词性特征以后的字词联合特征如图2所示，针对“上”字，抽取的5窗口的字特征如图左所示，因为“上”是“上海”的一部分，所以词特征方面是以“上海”为中心的，其窗口的词语如图右所示，关于词性特征，以“上海”是名词为例，词性信息在／n位置显示的是1，其他部分均为0。经过将字特征和词特征进行连接，共同作为“上”的输入特征，进入神经网络进行处理，该输入特征的定义为：

假设标签集合为T，神经网络的输出为｜T｜维向量，用于指示输入字的标签概率。它的预测函数可以定义为：

NER的标注结果取决于两个数值，一是神经网络输出层的输出概率，二是标签的转移概率转移概率。表示的是从第i∈T个标签转移到第j∈T个标签的概率，例如B标签后面接E标签的概率要远大于接S标签的概率。对于不会发生的转移，可以采用设置其转移概率为很小的负数来进行简化计算。对于可能出现的转移情况，可以采用随机初始化或者平均初始化其转移概率。最后可以采用Vertibi算法计算最优标签路径。

对于一个给定的句子c[1：n]，神经网络为每一个字输出一个标签概率向量，则对该句子输出层是一个标签概率矩阵，其中表示的是第i个字标记为标签t?的概率，其计算方法如式（12）。给定句子c[1：n]，标注的标签t[1：n]，将标签概率和转移概率联合，表示的是整个句子标注得分，该得分定义为：

因此，我们选择最优标签序列，即使得s（c[1：n]，t[1：n]，θ）最大的似然估计，最优序列定义如下：

使用Viterbi算法可以快速计算出句子的最优标签序列。

该模型的训练参数为θ=，可以选择梯度下降法，对训练集合中的每个训练样本（c，t）进行迭代训练，最大化句子的概率。参数的更新操作如下：

其中，λ是训练速度，P（·）是神经网络最终的输出分数，t和c分别表示的是标签序列t[1：n]和输入文本c[1：n]的简写。P(t｜c，θ)表示的是给定句子c标记为序列t的条件概率，我们需要对它进行归一化处理，主要采用softmax方法进行归一化。

其中TP表示的是给定句子c，所有可能的标签序列集合。它的对数似然可以表示为：

随着句子长度的增加，｜TP｜会迅速增长，虽然计算一次可行路径的耗时是线性的，但是计算所有可行路径却是指数级的。因此我们选用Zheng提出的加速算法，对模型进行更新。

我们共进行了三组实验进行人名、地名、机构名的识别，第一组实验的目的是对DNN参数进行选择，第二组实验是对比字向量、词向量和字词结合向量的NER性能，第三组实验是比较加入词性特征后的系统识别性能。

第一组实验选用的是1998年《人民日报》语料1月（RMRB-98-1）的数据，选择前75％共14860句的数据作为开发训练集，剩余作为开发验证集。第二组实验选用的数据集是1998年《人民日报》语料（RMRB-98）1月至6月的数据，选取80％共100000句的数据作为训练集，其余部分作为测试集。第三组实验的数据与第二组相同，我们加入一级词性、二级词性特征后，观察识别的F1值的变化情况。除此之外，使用word2vec对新浪新闻5个季度635MB的数据进行无监督训练，非线性函数选取的是tanh函数，生成字向量和词向量，分词工具使用的是无字典的ICTCLAS。

实验采用C++编程，运行服务器配置为2.05 GHz AMD Opteron（TM）CPU和8GB内存，软件使用的是Linux操作系统和g++编译器。实验的评测方法是F1值、准确率、召回率。

我们使用RMRB-98-1作为开发集，对参数的选择进行实验分析。对于人名（PERSON）、地名（LOCA）、机构名（ORGAN）三种识别任务，分别采用字特征（CHAR）、词特征（WORD）、字词联合（CH—WO）特征进行实验，对比在不同窗口大小和不同隐藏层节点的情况下F值的变化情况，实验结果如图2、图3所示。

从图2可以看出，当窗口大小在3～5时，系统的识别效果较好。我们可以观察到如下现象：字词结合系统对于大部分识别任务是窗口大小不敏感的，在小窗口下也可以达到很好的效果；人名任务的最优窗口大小为5，因为中文人名一般都小于5并且这样的窗口大小可以带来一部分信息；当窗口大于5时，由于过拟合的原因，机构名的识别准确率急速下降。从图3可以观察到，当隐藏节点足够多时，系统的性能不再受到很大影响，而且隐藏节点数目越多系统运行越缓慢。因此，在余下的实验中，我们设定了300个隐藏节点。

3.2 字词法合向量对比实验

字向量、词向量、字词结合向量对比实验的数据集为RMRB-98，参数设定如表1所示，实验结果如表2所示。

对于地名和机构名任务，词向量的结果优于字向量，这主要是因为词向量更能表达词语的潜在语义关系。中文句子是由许多词语组成的，相同的字的不同组合，语句中词语意思也可能不相同，而且字特征的窗口受到限制，因此NER的结果普遍不如词向量。但是对于人名识别任务，由于词典稀疏问题，词向量方法中人名会被影射成一个特殊向量，降低了识别效果，而且人名更关注于姓氏和语句结构，因此使用字向量效果更好。

字特征和词特征都有其自身的局限性，因此当使用字词结合向量后，三类任务的取值均有较大提升，对地名、人名、机构名的提升度分别达到了1.6%、8%、3%。

3.3 结合词性特征对比实验

使用DNN结构可以轻松地加入额外的特征信息。例如，当我们加入了词性特征以后，系统的性能有了很大的提高。我们分别对比了不增加词性信息（no-pos）、增加一级词性标注（1-pos）、增加二级词性标注（2-pos）的实验结果。实验中的词性使用《现代汉语语料库加工——词语切分与词性标注规范》中的词性标注符号。其中一级词性有25个，二级词性有39个，如表3所示。实验结果如表4所示。我们和现阶段较好的NER模型——Hybrid Mod-el（HM）进行了实验对比，HM模型使用的训练数据和测试数据与本文方法相同，实验结果显示：加入词性标注的字词联合模型可以超越HM的识别性能，在地名、人名和机构名的识别上，F1值可以达到96.8％、94.6％、88.6％。尤其需要指出的是，本文的方法有效提高了地名、人名和机构名识别任务的召回率，加入2-pos后系统性能提升明显。其中在人名F1值方面我们的模型不如HM好，主要原因是HM进行了人名的细分，它针对不同国家的人名训练了不同的模型并进行混合，而我们的模型是不区分国家人名的，所以我们的结果略差于HM模型。与此同时，我们还使用了CRF模型与本文方法进行比较，实验结果表明，加入2-pos后的系统在地名和人名识别方面表现出色，但机构名识别方面准确率不如CRF高，这可能是由于机构名构成复杂，神经网络语言模型只利用了局部信息而没有利用全局信息导致的。

本文介绍了用于中文命名实体识别的深度神经网络，提出了字词结合方法，有效地弥补了单字识别和单词识别的不足，加入词性特征后的识别系统性能更加鲁棒。实验对比了字向量、词向量和字词结合向量在中文NER上的结果，字词结合方法对中文NER有较大提升。目前，跟命名实体相关的专用特征还没有加入到系统中，我们下一步将考虑加入姓氏集、地区特征集等相关特征，进一步观察该方法的系统性能。

（由于版面内容有限，文章注释内容请参照原文）

转载请注明来源：“江西地名研究”微信公众号

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.