李新鋒，黃凌宇，崔立敏，倪子顏 (中海石油(中國)有限公司深圳分公司，廣東 深圳 518000)

1 基于BERT 模型的關(guān)鍵信息提取

BERT 預(yù)訓(xùn)練語言模型是一種基于Transformer結(jié)構(gòu)的預(yù)訓(xùn)練網(wǎng)絡(luò)[1]。根據(jù)給定的輸入文本，學(xué)習(xí)利用上下文給出詞嵌入表示，分別計算關(guān)鍵向量、查詢向量和值向量，融合使用注意力機制，獲得當前輸入文本與上下文語義的關(guān)系及其業(yè)務(wù)信息和含義，使用多頭注意力機制，動態(tài)生成詞向量，不斷獲取更符合實際的向量表示。

1.1 提取流程

本文將勘探開發(fā)成果資料關(guān)鍵信息抽取的分析過程看作是文本分類任務(wù)，對文本預(yù)處理、分詞、模型構(gòu)建和分類，結(jié)合BERT 預(yù)訓(xùn)練語言模型實現(xiàn)關(guān)鍵信息提煉抽取。本文模型框架如圖1 所示。

圖1 關(guān)鍵信息抽取模型框架

主要包含三個部分：(1) 數(shù)據(jù)輸入層：為了分詞準確，對數(shù)據(jù)預(yù)處理過濾，在分詞后停用詞處理。根據(jù)資料特性，將文本劃分為頭部、主體和尾部三個結(jié)構(gòu)，對每個結(jié)構(gòu)模塊分別處理；(2)模型構(gòu)建層：利用海油AI 平臺的文本分類算子逐層訓(xùn)練，結(jié)合業(yè)務(wù)含義拼接生成表征文本的向量，將結(jié)果輸入到網(wǎng)絡(luò)模型。樣本數(shù)據(jù)量不足時，使用通用領(lǐng)域語料預(yù)處理和微調(diào)(Finetuning)技術(shù)防止過擬合[2]，免去模型設(shè)計的復(fù)雜度及訓(xùn)練的久耗時，通過生成的詞嵌入向量得到上下文信息，獲取文本中業(yè)務(wù)領(lǐng)域詞匯的語義特征最優(yōu)結(jié)果；(3) 結(jié)果輸出層：通過本模型獲取到的語義向量輸入歸一化指數(shù)函數(shù)(Softmax)以概率的形式展示多分類結(jié)果[3]，實現(xiàn)對成果信息提取的設(shè)定。

1.2 模型訓(xùn)練

本文模型訓(xùn)練涵蓋以下六項內(nèi)容。

(1) 數(shù)據(jù)預(yù)處理。通過海油數(shù)據(jù)湖平臺獲取到油氣田勘探開發(fā)成果數(shù)據(jù)，對部分成果資料中存在錯誤或無實際意義的特殊字符以及停用詞，使用Python 語言編寫規(guī)則化表達式刪除無意義的符號，確保數(shù)據(jù)清潔。

(2)數(shù)據(jù)增強。針對部分業(yè)務(wù)場景數(shù)據(jù)量較少的類別，模型很難學(xué)習(xí)到該業(yè)務(wù)類別的特征。面對數(shù)據(jù)集中存在長尾數(shù)據(jù)場景，本文通過簡單數(shù)據(jù)增強(easy data augmentation， EDA)方法對長尾數(shù)據(jù)擴充，在較少數(shù)據(jù)集上訓(xùn)練時可顯著提升性能并減少過擬合。EDA采用四種操作：

同義詞替換(synonyms replace，SR)：隨機從句子中抽n 個詞( 不包括停用詞)，然后隨機找出抽取這些詞的同義詞，用同義詞將原詞替換。例如將句子“這是我使用的勘探開發(fā)業(yè)務(wù)數(shù)據(jù)”替換成 “這是我所用的勘探開發(fā)數(shù)據(jù)”。SR 后句子大概率還是會有相同標簽。

隨機插入(randomly insert，RI)：隨機從句子中抽取1 個詞(抽取時不包括停用詞)，然后隨機選擇一個該詞的同義詞，插入原來句子中的隨機位置，重復(fù)n次。例如將句子“這是我使用的勘探開發(fā)業(yè)務(wù)數(shù)據(jù)”改為“這是我勘探開發(fā)業(yè)務(wù)數(shù)據(jù)使用的”。

隨機交換(randomly swap，RS)：在句子中，隨機交換兩個詞位置，重復(fù)這一過程n 次。例如將句子“這是我使用的勘探開發(fā)業(yè)務(wù)數(shù)據(jù)”改為“使用的我勘探開發(fā)業(yè)務(wù)數(shù)據(jù)這是”。

隨機刪除(randomly delete，RD)：對于句子的每一個單詞，都有p 的概率會被刪除。例如將句子“這是我使用的勘探開發(fā)業(yè)務(wù)數(shù)據(jù)”改為“這是我勘探開發(fā)業(yè)務(wù)數(shù)據(jù)”。

(3)特征工程。從文本長度角度來看，油氣田勘探開發(fā)成果資料文本屬于長文本，且重要信息比較分散。為方便模型更好地學(xué)習(xí)到分類特征，本文將此類文本切分成頭部、主體和尾部三部分。其中頭部主要包含標題、編寫人信息、文件編號等信息；尾部包含歸檔日期、歸檔提交公司名稱等信息；主體則包含了文本除了頭部和尾部之外的所有具有勘探開發(fā)業(yè)務(wù)情況的正文內(nèi)容。

對于地層研究、地質(zhì)設(shè)計和工程設(shè)計文檔等經(jīng)過切分后正文內(nèi)容依舊很長的文本，本文決定采用TF-IDF(Term Frequency & Inverse Documentation Frequency)技術(shù)[4]進行關(guān)鍵詞提取，在信息檢索領(lǐng)域，技術(shù)人員廣泛使用此算法計算權(quán)重。

對于某一特征值，權(quán)重越大表明該特征項較為重要，一個詞在特定的文檔中出現(xiàn)的頻率越高，說明它在區(qū)分該文檔內(nèi)容屬性方面的能力越強；一個詞在文檔中出現(xiàn)的范圍越廣，說明它區(qū)分文檔內(nèi)容的屬性越低，選擇那些對一類作用大而對其他類作用小的特征保留下來。

(4)預(yù)訓(xùn)練BERT 算法模型。BERT 模型是有別于傳統(tǒng)CNN 和RNN 的一種新型架構(gòu)，采用編碼器-解碼器框架，使用注意力機制進行機器翻譯任務(wù)，規(guī)避了CNN 不適合序列化的文本和RNN 無法并行容易超出內(nèi)容限制的問題。該模型的Encoder 將輸入序列映射到連續(xù)表示，然后Decoder 生成一個輸出序列，每個時刻輸出一個結(jié)果。

(5) 模型輸出。通過使用Softmax 分類器來預(yù)測成果資料關(guān)鍵標簽，如：對具備業(yè)務(wù)含義的“壓裂”“出砂”“井下作業(yè)”等信息打標簽，該分類器將上一層得到的隱狀態(tài)作為輸入。

(6)目標損失函數(shù)。成果資料關(guān)鍵信息提取是一個多分類的問題，使用softmax 分類器輸出的標簽概率與實際標簽分布概率計算損失函數(shù)。

2 實驗

2.1 實驗環(huán)境及數(shù)據(jù)集

本實驗是在海油AI 平臺提供的開發(fā)環(huán)境下，基于Python 語言使用Pytorch 框架在Linux 環(huán)境開展。該平臺建于2019 年，整合了大部分深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)模型并結(jié)合海油業(yè)務(wù)實際定制開發(fā)和訓(xùn)練了較為成熟的算法模型，通過模型商城對外提供服務(wù)。

實驗使用了中海油勘探開發(fā)數(shù)據(jù)湖推送的成果資料，對初始數(shù)據(jù)預(yù)處理，篩選、去除無用信息，共使用了934 個勘探開發(fā)成果資料文本。為保障實驗效果，本文作者協(xié)同業(yè)務(wù)專家對獲取的文本關(guān)鍵信息進行了標注，全量數(shù)據(jù)的80%用作模型的訓(xùn)練集，10%用作測試集，10%用作驗證集。

2.2 超參數(shù)設(shè)置及實驗評價標準

2.2.1 超參數(shù)設(shè)置

標準BERT 模型具有base 和large 兩個版本，考慮到本實驗文件大、內(nèi)容復(fù)雜、對硬件要求高，本文選擇base 版本，分類模型采用的參數(shù)，如表1 所示。

表1 參數(shù)設(shè)置

2.2.2 實驗評價標準

在機器學(xué)習(xí)、自然語言處理和信息檢索領(lǐng)域，混淆矩陣是一種表示精度評價的標準格式，具體評價指標包含準確率、精準率、召回率和F1值等。

各項標準的具體計算公式為：

式中：TP表示樣本為正，預(yù)測結(jié)果為正；FP表示樣本為負，預(yù)測結(jié)果為正；TN表示樣本為負，預(yù)測結(jié)果為負；FN表示樣本為正，預(yù)測結(jié)果為負。

2.3 實驗對比及結(jié)果分析

2.3.1 閾值設(shè)置

模型預(yù)測通常返回的是概率，可以原樣使用，也可以將概率轉(zhuǎn)換成二元值。處理復(fù)雜的勘探開發(fā)文檔時，為提高模型算法對數(shù)據(jù)的感知能力，先以概率分布輸出預(yù)測結(jié)果，結(jié)合實際業(yè)務(wù)數(shù)據(jù)分析不同類別之間判定閾值，評估需人工干預(yù)的程度，確保模型對類別的分辨能力足夠支撐模型預(yù)測。

例如：在進行鉆井地質(zhì)設(shè)計報告分類任務(wù)時，如果模型對某設(shè)計報告進行預(yù)測時返回的概率為0.999 5，表示模型預(yù)測這個非常可能是鉆井地質(zhì)設(shè)計報告。同一個模型預(yù)測分數(shù)為 0.000 3 的設(shè)計報告很可能不是。如果預(yù)測分數(shù)是0.6，為了將概率分布值映射到分類類別，必須指定分類閾值。當概率值高于該閾值，則表示“是”，如果概率值低于該閾值，則表示“不是”。

2.3.1 閾值分析

本文嘗試設(shè)置多組不同閾值，通過結(jié)果分析以尋找較合適的閾值。調(diào)整閾值對整體評估指標準確度(ACC)及每一個類別評估指標F1值的影響，如圖2 所示。

圖2 不同概率區(qū)間下ACC 及各類別F1 值分布

其中，左上圖代表整體ACC 隨著閾值設(shè)置的變化趨勢，其他圖代表不同類別的評估指標F1隨著閾值設(shè)置的變化趨勢。通過觀察可知，為了保證每一分類類別的指標都較好，閾值選擇0.95 比較合適。

3 結(jié)語

本文基于預(yù)訓(xùn)練語言模型雙向Transformers 編碼表示的成果資料的關(guān)鍵信息提取，對實際業(yè)務(wù)場景下的文本進行了訓(xùn)練預(yù)測，將文本切分為頭部、主體和尾部，利用數(shù)據(jù)增強技術(shù)對數(shù)據(jù)較少的類別進行擴充。通過生成文本的詞嵌入向量，有效獲取到上下文信息及勘探開發(fā)領(lǐng)域詞匯的語義特征。通過對不同閾值下模型的分類效果分析，模型的各個指標準確率在85%以上。隨著樣本量的不斷增加和機器學(xué)習(xí)算法的優(yōu)化，準確率將會進一步提升。本文僅是對勘探開發(fā)成果資料的關(guān)鍵標簽進行了研究和實現(xiàn)，是利用自然語言處理技術(shù)對油氣行業(yè)的關(guān)鍵信息智能提取、數(shù)據(jù)高效利用和業(yè)務(wù)數(shù)據(jù)知識圖譜建設(shè)作出的積極嘗試與探索。