在NLP的基礎任務中，NER無疑很難做，但是做好了，會提升下游的很多效果。那么如何提升NER的效果呢？數據增強無疑是一種簡單粗暴的方式。船長這次帶著大家簡單過一下，本文無公式！

首先我們的著重考慮對象是有詞庫的，在工業界詞庫是必備的，沒有標注詞庫，這個NER的任務可能會做的很不好。我們從以下的三種數據增強trick來逐步介紹。

實體替換

如果我們有一個訓練數據集，比方說一個case：“海底撈的主要食物是火鍋”，在NER的任務中，標注成為“{海底撈^飯店}的主要食物是{火鍋^食物}”，其中海底撈的實體為飯店，而火鍋的為食物。

那么為了擴大我們的訓練數據集，我們會隨機的對同類型的實體進行替換，例如“海底撈”替換成為“肯德基”，也即“肯德基的主要食物是火鍋”。有意思的地方來了，很明顯我們都知道肯德基是沒有火鍋的，那么這樣造的case會有問題嗎？答案是從常識的角度是有問題的，所以我們盡量要挑出和火鍋相關的實體，利用知識圖譜的方式，搭建出更合理的訓練集。

邊界噪聲

比方說文本“這家飯店的爆品是火鍋啦”，結果模型把火鍋啦整體識別成為食物實體，那就很不對勁了。在這種情況下，屬于NER的一個悠久遺留問題，邊界預測問題，NER很難識別到實體的真正邊界，解決這種的方法也是利用人工造的一些噪聲。

比較簡單的方式，是可以從字表里面隨機的抽樣字，再隨機的加到邊界處。變成，讓模型自主的去學習到實體的邊界，這種方式簡單但是效果一般，為什么這么講？因為這種隨機的采樣對于模型來說，很好學習，我們應該嘗試去構造再難一點的數據。

這家飯店的爆品是火鍋嘿

比較可行的方式，是在模版數據中利用N-Gram挖掘到噪聲詞語/字，再利用頻率的高低構建出現的概率，以這種概率進行替換，舉例來說，飯店類的模版有很多是圍繞著詞語“食物”展開，那么這時候我們可以把“食物”插入到實體的邊界，成為：

這家飯店的爆品是火鍋食物

對于模型來講，再難一點的方式，可以從訓練數據中，挖掘到和火鍋相關的噪聲，再把它插入進去。例如，根據詞語火鍋進行展開，利用5-Gram搜索到附近的詞語，找到一些和火鍋相關，但是不是強相關的詞語，比方說辣椒，那這時候就會形成：

這家飯店的爆品是火鍋辣椒

不得不說，這種文本對于機器來講已經很難識別了，但是這種方式的時間開銷很大，需要提前離線找到和每個實體相關的詞語，再進行噪聲的插入。

模版構造樣本

什么意思呢？我們先利用實體，在線上的日志中挖掘到很多模版，再利用這批模版隨機的進行填充，形成最后的訓練數據，這批訓練的數據量會很大，但是樣本的質量是一般的。例如我們可以對模版“這家飯店的爆品是{食物}”進行隨機的食物實體填充，成為：

這家飯店的爆品是榴蓮

但是當一個模版有多個實體槽位的時候，隨機的進行實體填充往往有很大的問題，比方說模版“這家{飯店}的爆品是{食物}”，如果我們填充成為“這家海底撈的爆品是榴蓮”，雖然對于NER的任務來講沒有太大的問題，但是從常識角度來說，未免也太差了些。

這種情況下，我們需要批判性的思考，這種數據是否有利于提升我線上的效果，如果線上的要求并不包含常識，那這就是個好模型，反之亦然。我們也可以根據知識圖譜來進行填充，增加常識信息。

這次船長主要帶大家過了一些簡單高效的NER數據增強Trick，有什么問題就寫下你的疑惑，我們討論一下~

審核編輯 ：李倩