CRF++中文分词使用指南
http://blog.csdn.net/marising/article/details/5769653
前段时间写了中文分词的一些记录里面提到了CRF的分词方法,近段时间又研究了一下,特把方法写下来,以备忘,另外,李沫南同学优化过CRF++,见:http://www.coreseek.cn/opensource/CRF/。我觉得CRF++还有更大的优化空间,以后有时间再搞。
人民日报语料是分好词的,我下面贴出的代码就是把语料整理为CRF需要的训练数据,直接修改模板训练即可。不过有下面的同学给出了更加详细的资料,请各位可以参考:
原始程序确实有一些问题,估计作者没时间修正了,我修改好了楼主的程序并分词成功,并上传了代码和处理好的训练、测试语料:
http://x-algo.cn/index.php/2016/02/27/crf-of-chinese-word-segmentation/
1 下载和安装
CRF的概念,请google,我就不浪费资源啦。官方地址如下:http://crfpp.sourceforge.net/
我用的是Ubutnu,所以,下载的是源码:http://sourceforge.net/projects/crfpp/files/ 下载CRF++-0.54.tar.gz
没有gcc/g++/make请安装
% ./configure
% make
% sudo make install
2 测试和体验
在源码包中有example,可以执行./exec.sh体验一下
exec.sh #训练和测试脚本
template #模板文件
test.data #测试文件
train.data #训练文件
可以打开看看
3 语料整理和模板编写
我采用的是6Tag和6Template的方式
S,单个词;B,词首;E,词尾;M1/M2/M,词中
1个字的词:
和 S
2个字的词(注意是实际上是一个字一行,我为了排版,改为横排的了):
中 B 国 E
3个字的词:
进 B 一 M 步 E
5个字的词:
发 B 展 M1 中 M2 国 M 家 E
跟多字的词
中 B 华 M1 人 M2 民 M 共 M 和 M国 E
标点符号作为单词(S表示)
从bamboo 项目中下载:people-daily.txt.gz
pepoledata.py文件
- #!/usr/bin/<a href="http://lib.csdn.net/base/11" class='replace_word' title="undefined" target='_blank' style='color:#df3434; font-weight:bold;'>Python</a>
- # -*- coding: utf-8 -*-
- import sys
- #home_dir = "D:/source/NLP/people_daily//"
- home_dir = "/home/lhb/workspace/CRF_data/"
- def splitWord(words):
- uni = words.decode('utf-8')
- li = list()
- for u in uni:
- li.append(u.encode('utf-8'))
- return li
- #4 tag
- #S/B/E/M
- def get4Tag(li):
- length = len(li)
- #print length
- if length == 1:
- return ['S']
- elif length == 2:
- return ['B','E']
- elif length > 2:
- li = list()
- li.append('B')
- for i in range(0,length-2):
- li.append('M')
- li.append('E')
- return li
- #6 tag
- #S/B/E/M/M1/M2
- def get6Tag(li):
- length = len(li)
- #print length
- if length == 1:
- return ['S']
- elif length == 2:
- return ['B','E']
- elif length == 3:
- return ['B','M','E']
- elif length == 4:
- return ['B','M1','M','E']
- elif length == 5:
- return ['B','M1','M2','M','E']
- elif length > 5:
- li = list()
- li.append('B')
- li.append('M1')
- li.append('M2')
- for i in range(0,length-4):
- li.append('M')
- li.append('E')
- return li
- def saveDataFile(trainobj,testobj,isTest,word,handle,tag):
- if isTest:
- saveTrainFile(testobj,word,handle,tag)
- else:
- saveTrainFile(trainobj,word,handle,tag)
- def saveTrainFile(fiobj,word,handle,tag):
- if len(word) > 0:
- wordli = splitWord(word)
- if tag == '4':
- tagli = get4Tag(wordli)
- if tag == '6':
- tagli = get6Tag(wordli)
- for i in range(0,len(wordli)):
- w = wordli[i]
- h = handle
- t = tagli[i]
- fiobj.write(w + '/t' + h + '/t' + t + '/n')
- else:
- #print 'New line'
- fiobj.write('/n')
- #B,M,M1,M2,M3,E,S
- def convertTag(tag):
- fiobj = open( home_dir + 'people-daily.txt','r')
- trainobj = open( home_dir + tag + '.train.data','w' )
- testobj = open( home_dir + tag + '.test.data','w')
- arr = fiobj.readlines()
- i = 0
- for a in arr:
- i += 1
- a = a.strip('/r/n/t ')
- words = a.split(' ')
- test = False
- if i % 10 == 0:
- test = True
- for word in words:
- word = word.strip('/t ')
- if len(word) > 0:
- i1 = word.find('[')
- if i1 >= 0:
- word = word[i1+1:]
- i2 = word.find(']')
- if i2 > 0:
- word = word[:i2]
- word_hand = word.split('/')
- w,h = word_hand
- #print w,h
- if h == 'nr': #ren min
- #print 'NR',w
- if w.find('·') >= 0:
- tmpArr = w.split('·')
- for tmp in tmpArr:
- saveDataFile(trainobj,testobj,test,tmp,h,tag)
- continue
- if h != 'm':
- saveDataFile(trainobj,testobj,test,w,h,tag)
- if h == 'w':
- saveDataFile(trainobj,testobj,test,"","",tag) #split
- trainobj.flush()
- testobj.flush()
- if __name__ == '__main__':
- if len(sys.argv) < 2:
- print 'tag[6,4] convert raw data to train.data and tag.test.data'
- else:
- tag = sys.argv[1]
- convertTag(tag)
下载下来并解压,然后用脚本整理数据,注意home_dir改为语料的目录:
python ./peopledata.py 6
90%数据作为训练数据,10%的数据作为测试数据,生成的文件如:
6.test.data
6.train.data
模板文件的写法如下
template:
- # Unigram
- U00:%x[-1,0]
- U01:%x[0,0]
- U02:%x[1,0]
- U03:%x[-1,0]/%x[0,0]
- U04:%x[0,0]/%x[1,0]
- U05:%x[-1,0]/%x[1,0]
- # Bigram
- B
%x[row,column]代表的是行和列,[-1,0]表示前1个字的第1列,[0,0]当前字的第1列,[1,0]后1个字的第1列
4 执行和结果查看
6exec.sh文件
- #!/bin/sh
- ./crf_learn -f 3 -c 4.0 template 6.train.data 6.model > 6.train.rst
- ./crf_test -m 6.model 6.test.data > 6.test.rst
- ./crfeval.py 6.test.rst
- #./crf_learn -a MIRA -f 3 template train.data model
- #./crf_test -m model test.data
- #rm -f model
WordCount from test result: 109805
WordCount from golden data: 109948
WordCount of correct segs : 106145
P = 0.966668, R = 0.965411, F-score = 0.966039
5 调整Tag和模板
4 Tag S/B/M/E 比 6Tag 去掉了M1和M2
python ./peopledata.py 4
4exec.sh文件为
- #!/bin/sh
- ./crf_learn -f 3 -c 4.0 template 4.train.data 4.model > 4.train.rst
- ./crf_test -m 4.model 4.test.data > 4.test.rst
- ./crfeval.py 4.test.rst
4Tag的效果为
lhb@localhost:~/workspace/CRF_data$ ./crfeval.py 4.test.rst
ordCount from test result: 109844
WordCount from golden data: 109948
WordCount of correct segs : 105985
P = 0.964868, R = 0.963956, F-score = 0.964412
6Tag的效果比4Tag有细微的差距,当然是6Tag好。
6Tag 训练时间为
10062.00s
4tag的训练时间为
4208.71s
6Tag的标注方法差异
1)把M放在E之前:
发 B 展 M1 中 M2 国 M 家 E
2)把M放在B后
发 B 展 M 中 M1 国 M2 家 E
3)把M放在M1和M2之间:
发 B 展 M1 中 M 国 M2 家 E
第1种方式效果最好,有细微的差距。
template的编写
我尝试过12行模板的编写,把词性作为一个计算因素,但是速度实在是很慢,没跑完,我就关机了。效果应该比6 template要好,可以尝试以下。
- # Unigram
- U00:%x[-1,1]
- U01:%x[0,1]
- U02:%x[1,1]
- U03:%x[-1,1]/%x[0,1]
- U04:%x[0,1]/%x[1,1]
- U05:%x[-1,1]/%x[1,1]
- U06:%x[-1,0]
- U07:%x[0,0]
- U08:%x[1,0]
- U09:%x[-1,0]/%x[0,0]
- U010:%x[0,0]/%x[1,0]
- U011:%x[-1,0]/%x[1,0]
- # Bigram
- B
有某位同学问我要crfeval.py文件,特放出如下:
- #!/usr/bin/python
- # -*- coding: utf-8 -*-
- import sys
- if __name__=="__main__":
- try:
- file = open(sys.argv[1], "r")
- except:
- print "result file is not specified, or open failed!"
- sys.exit()
- wc_of_test = 0
- wc_of_gold = 0
- wc_of_correct = 0
- flag = True
- for l in file:
- if l=='/n': continue
- _, _, g, r = l.strip().split()
- if r != g:
- flag = False
- if r in ('E', 'S'):
- wc_of_test += 1
- if flag:
- wc_of_correct +=1
- flag = True
- if g in ('E', 'S'):
- wc_of_gold += 1
- print "WordCount from test result:", wc_of_test
- print "WordCount from golden data:", wc_of_gold
- print "WordCount of correct segs :", wc_of_correct
- #查全率
- P = wc_of_correct/float(wc_of_test)
- #查准率,召回率
- R = wc_of_correct/float(wc_of_gold)
- print "P = %f, R = %f, F-score = %f" % (P, R, (2*P*R)/(P+R))
CRF++中文分词使用指南的更多相关文章
- 【中文分词】条件随机场CRF
之前介绍的MMEM存在着label bias问题,因此Lafferty et al. [1] 提出了CRF (Conditional Random Field). BTW:比较有意思的是,这篇文章的二 ...
- crf++实现中文分词简单例子 (Windows crf++0.58 python3)
学习自然语言处理的同学都知道,条件随机场(crf)是个好东西.虽然它的原理确实理解起来有点困难,但是对于我们今天用到的这个crf工具crf++,用起来却是挺简单方便的. 今天只是简单试个水,参考别人的 ...
- Hanlp分词之CRF中文词法分析详解
这是另一套基于CRF的词法分析系统,类似感知机词法分析器,提供了完善的训练与分析接口. CRF的效果比感知机稍好一些,然而训练速度较慢,也不支持在线学习. 默认模型训练自OpenCorpus/pku9 ...
- 97.5%准确率的深度学习中文分词(字嵌入+Bi-LSTM+CRF)
本文转载自:http://www.17bigdata.com/97-5%E5%87%86%E7%A1%AE%E7%8E%87%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E ...
- 用条件随机场CRF进行字标注中文分词(Python实现)
http://www.tuicool.com/articles/zq2yyi http://blog.csdn.net/u010189459/article/details/38546115 主题 ...
- 基于CRF的中文分词
http://biancheng.dnbcw.info/java/341268.html CRF简介 Conditional Random Field:条件随机场,一种机器学习技术(模型) CRF由J ...
- CRF++进行中文分词实例
工具包:https://taku910.github.io/crfpp/#tips 语料:http://sighan.cs.uchicago.edu/bakeoff2005/ 安装: 1)下载linu ...
- PyTorch 高级实战教程:基于 BI-LSTM CRF 实现命名实体识别和中文分词
前言:译者实测 PyTorch 代码非常简洁易懂,只需要将中文分词的数据集预处理成作者提到的格式,即可很快的就迁移了这个代码到中文分词中,相关的代码后续将会分享. 具体的数据格式,这种方式并不适合处理 ...
- 【中文分词】最大熵马尔可夫模型MEMM
Xue & Shen '2003 [2]用两种序列标注模型--MEMM (Maximum Entropy Markov Model)与CRF (Conditional Random Field ...
随机推荐
- 2.python的变量与赋值
首先,为何要使用变量这里就不再多说了,我这里就介绍一下变量的命令规则和变量赋值的内存行为. 1.变量的命名规则 变量其实通过一个标记调用内存中的值,而变量名就是这个标记的名称,但是万一这个标记已经被提 ...
- Test,Nginx Hello World Module
ngx_addon_name=ngx_http_mytest_module HTTP_MODULES="$HTTP_MODULES ngx_http_mytest_module" ...
- WPF:定制Checkbox样式,让“正确”绿得好看,让“错误”红的显眼
WPF提供了样式.模板.触发器.状态管理.矢量形状等方式,让我们不需要背景图片,也可以轻松定制控件的风格样式.下面是笔者针对Checkbox进行的样式定制,让“正确”绿得好看,让“错误”红的显眼. ...
- memcached 简介
最近,想看看开源的东西,正好在网上看到了memcached这个服务器,就简单学了学.做个笔记! 1.memcached 介绍 memcached我原本以为是一款数据库软件,但详细了解才发现,准确的是一 ...
- MySQL 设置允许远程登录
1.修改数据表 可能是你的帐号不允许从远程登陆,只能在localhost.这个时候只要在 localhost 的那台电脑,登入MySQL后,更改 "MySQL" 数据库里的 &qu ...
- bzoj 1054 移动玩具
题目连接 http://www.lydsy.com/JudgeOnline/problem.php?id=1054 移动玩具 Description 在一个4*4的方框内摆放了若干个相同的玩具,某人想 ...
- Go语言工程结构
Go是一门推崇软件工程理念的编程语言. Go的代码必须放在GOPATH目录下,它应该包含三个子目录: src:用于以代码包的形式组织并保存Go源码文件.应该分为三类:库源码文件.命令源码文件.测试源码 ...
- iOS关于打包出错
运行没问题,有可能是自动打包编译脚本的存在,删除掉即可.
- 用Swift重写公司OC项目(Day2)--创建OC与Swift的桥接文件,进而调用OC类库
昨天把项目中的图标以及启动转场图片弄好了,那么今天,我们可以开始慢慢进入到程序的编写当中了. 由于swift较新,所以类库还不够完善,但是不用担心,苹果早就出了解决方案,那就是使用桥接文件,通过桥接文 ...
- ios学习笔记之block在ios开发中的应用
一.什么是Blocks Block是一个C级别的语法以及运行时的一个特性,和标准C中的函数(函数指针)类似,但是其运行需要编译器和运行时支持,从ios4.0开始就很好的支持Block. 二. ...