首页 > 代码库 > CRF分词的纯Java实现
CRF分词的纯Java实现
与基于隐马尔可夫模型的最短路径分词、N-最短路径分词相比,基于随机条件场(CRF)的分词对未登录词有更好的支持。本文(HanLP)使用纯Java实现CRF模型的读取与维特比后向解码,内部特征函数采用 双数组Trie树(DoubleArrayTrie)储存,得到了一个高性能的中文分词器。
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:
1 2 3 4 5 | 商 null 品 null 和 null 服 null 务 null |
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:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 | /** * 维特比后向算法标注 * @param table */ public void tag(Table table) { int size = table.size(); double bestScore = 0 ; int bestTag = 0 ; int tagSize = id2tag.length; LinkedList< double []> scoreList = computeScoreList(table, 0 ); // 0位置命中的特征函数 for ( int i = 0 ; i < tagSize; ++i) // -1位置的标签遍历 { for ( int j = 0 ; j < tagSize; ++j) // 0位置的标签遍历 { double curScore = matrix[i][j] + computeScore(scoreList, j); if (curScore > bestScore) { bestScore = curScore; bestTag = j; } } } table.setLast( 0 , id2tag[bestTag]); int preTag = bestTag; // 0位置打分完毕,接下来打剩下的 for ( int i = 1 ; i < size; ++i) { scoreList = computeScoreList(table, i); // i位置命中的特征函数 bestScore = Double.MIN_VALUE; for ( int j = 0 ; j < tagSize; ++j) // i位置的标签遍历 { double curScore = matrix[preTag][j] + computeScore(scoreList, j); if (curScore > bestScore) { bestScore = curScore; bestTag = j; } } table.setLast(i, id2tag[bestTag]); preTag = bestTag; } } |
标注结果
标注后将table打印出来:
1 2 3 4 5 6 | CRF标注结果 商 B 品 E 和 S 服 B 务 E |
最终处理
将BEMS该合并的合并,得到:
1 | [商品/null, 和/null, 服务/null] |
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:
1 | [商品/n, 和/cc, 服务/vn] |
新词识别
CRF对分词有很好的识别能力,比如:
1 2 3 | CRFSegment segment = new CRFSegment(); segment.enableSpeechTag( true ); System.out.println(segment.seg( "你看过穆赫兰道吗" )); |
输出:
1 2 3 4 5 6 7 8 9 10 | 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/y] |
null表示新词。
CRF分词的纯Java实现