基于CRF序列标注的中文依存句法分析器的Java实现

阅读更多


这是一个基于
CRF的中文依存句法分析器,内部CRF模型的特征函数采用 双数组Trie树(DoubleArrayTrie)储存,解码采用特化的维特比后向算法。相较于《最大熵依存句法分析器的实现》,分析速度翻了一倍,达到了1262.8655 sent/s

开源项目

本文代码已集成到HanLP中开源项目中,最新hanlp1.7版本已经发布

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。在生产中经常使用的训练工具是CRF++,关于CRF++的使用以及模型格式请参阅《CRF++模型格式说明》。

CRF训练

语料库

与《最大熵依存句法分析器的实现》相同,采用清华大学语义依存网络语料的20000句作为训练集。

预处理

依存关系事实上由三个特征构成——起点、终点、关系名称。在本CRF模型中暂时忽略掉关系名称(在下文可以利用其它模型补全)。

根据依存文法理论, 我们可以知道决定两个词之间的依存关系主要有二个因素: 方向和距离。因此我们将类别标签定义为具有如下的形式:

[ + |- ] dPOS

其中, [ + | – ]表示方向, + 表示支配词在句中的位置出现在从属词的后面, – 表示支配词出现在从属词的前面; POS表示支配词具有的词性类别; d表示距离。

比如原树库:


基于CRF序列标注的中文依存句法分析器的Java实现_第1张图片
 

转换后:


基于CRF序列标注的中文依存句法分析器的Java实现_第2张图片
 

特征模板

 


基于CRF序列标注的中文依存句法分析器的Java实现_第3张图片
 

训练参数

 

1.crf_learn -f 3 -c 4.0 -p 3 template.txt train.txt model -t

 

我的试验条件(机器性能)有限,每迭代一次要花5分钟,最后只能设定最大迭代数为100。经过痛苦的迭代,得到了一个效果非常有限的模型,其serr高达50%,暂时只做算法测试用。

解码

标准的维特比算法假定所有标签都是合法的,但是在本CRF模型中,标签还受到句子的约束。比如最后一个词的标签不可能是+nPos,必须是负数,而且任何词的[+/-]nPos都得保证后面(或前面,当符号为负的时候)有n个词语的标签是Pos。所以我覆写了CRF的维特比tag算法,代码如下:

基于CRF序列标注的中文依存句法分析器的Java实现_第4张图片
 

 

注意上面的

 

 1.if (!isLegal(j, i, table)) continue;

 

保证了标签的合法性。

这一步的结果:

 


基于CRF序列标注的中文依存句法分析器的Java实现_第5张图片
 

后续处理

有了依存的对象,还需要知道这条依存关系到底是哪种具体的名称。我从树库中统计了两个词的词与词性两两组合出现概率,姑且称其为2gram模型,用此模型接受依存边两端的词语,输出其最可能的关系名称。

最终结果

转换为CoNLL格式输出:


基于CRF序列标注的中文依存句法分析器的Java实现_第6张图片
 

 

 

  • 基于CRF序列标注的中文依存句法分析器的Java实现_第7张图片
  • 大小: 74.7 KB
  • 基于CRF序列标注的中文依存句法分析器的Java实现_第8张图片
  • 大小: 26.4 KB
  • 基于CRF序列标注的中文依存句法分析器的Java实现_第9张图片
  • 大小: 121.4 KB
  • 基于CRF序列标注的中文依存句法分析器的Java实现_第10张图片
  • 大小: 217.4 KB
  • 基于CRF序列标注的中文依存句法分析器的Java实现_第11张图片
  • 大小: 28.5 KB
  • 基于CRF序列标注的中文依存句法分析器的Java实现_第12张图片
  • 大小: 85.6 KB
  • 查看图片附件

你可能感兴趣的:(java)