adnb34g 发表于 2019-2-27 11:34:04

开源自然语言处理工具包hanlp中CRF分词实现详解


CRF简介CRF是序列标注场景中常用的模型,比HMM能利用更多的特征,比MEMM更能抵抗标记偏置的问题。 CRF训练这类耗时的任务,还是交给了用C++实现的CRF++。关于CRF++输出的CRF模型,请参考《CRF++模型格式说明》。 CRF解码解码采用维特比算法实现。并且稍有改进,用中文伪码与白话描述如下:首先任何字的标签不仅取决于它自己的参数,还取决于前一个字的标签。但是第一个字前面并没有字,何来标签?所以第一个字的处理稍有不同,假设第0个字的标签为X,遍历X计算第一个字的标签,取分数最大的那一个。如何计算一个字的某个标签的分数呢?某个字根据CRF模型提供的模板生成了一系列特征函数,这些函数的输出值乘以该函数的权值最后求和得出了一个分数。该分数只是“点函数”的得分,还需加上“边函数”的得分。边函数在本分词模型中简化为f(s’,s),其中s’为前一个字的标签,s为当前字的标签。于是该边函数就可以用一个4*4的矩阵描述,相当于HMM中的转移概率。实现了评分函数后,从第二字开始即可运用维特比后向解码,为所有字打上BEMS标签。 实例还是取经典的“商品和服务”为例,首先HanLP的CRFSegment分词器将其拆分为一张表:
null表示分词器还没有对该字标注。 代码上面说了这么多,其实我的实现非常简练:
标注结果标注后将table打印出来:
最终处理 将BEMS该合并的合并,得到:[商品/null, 和/null, 服务然后将词语送到词典中查询一下,没查到的暂时当作nx,并记下位置(因为这是个新词,为了表示它的特殊性,最后词性设为null),再次使用维特比标注词性:[商品/n, 和/cc, 服务新词识别 CRF对新词有很好的识别能力,比如:CRFSegment segment = new CRFSegment();segment.enablePartOfSpeechTagging(true);System.out.println(segment.seg("你看过穆赫兰道吗"));输出: CRF标注结果你   S   看   S   过   S   穆   B   赫   M   兰   M   道   E   吗   S   [你/rr, 看/v, 过/uguo, 穆赫兰道/null, 吗 null表示新词。
页: [1]
查看完整版本: 开源自然语言处理工具包hanlp中CRF分词实现详解