开源中文分词工具探析（五）：FNLP

FNLP是由Fudan NLP实验室的邱锡鹏老师开源的一套Java写就的中文NLP工具包，提供诸如分词、词性标注、文本分类、依存句法分析等功能。

---

【开源中文分词工具探析】系列：

1. 开源中文分词工具探析（一）：ICTCLAS (NLPIR)
2. 开源中文分词工具探析（二）：Jieba
3. 开源中文分词工具探析（三）：Ansj
4. 开源中文分词工具探析（四）：THULAC
5. 开源中文分词工具探析（五）：FNLP
6. 开源中文分词工具探析（六）：Stanford CoreNLP
7. 开源中文分词工具探析（七）：LTP

---

1. 前言

类似于THULAC，FNLP也是采用线性模型（linear model）分词。较于对数线性模型（log-linear model）HMM/CRF所不同的是，线性模型没有归一化因子而直接建模Score函数：

\[S(X,Y) = \sum_s w_s * \Phi_s(X,Y)
\]

则序列标注问题对应于求解：

\[\mathop{\arg \max}_{Y} S(X,Y)
\]

THULAC是采用感知器来学习参数\(w_s\)，而FNLP则是采用在线学习算法Passive-Aggressive(PA) [2]。PA算法结合感知器与SVM的优点，学习速度快；损失函数为hinge loss：

\[loss(W;(X,Y)) = \left \{
{
\matrix {
{0,} & {\gamma (W;(X,Y)) \ 1} \cr
{1- \gamma (W;(X,Y))} & { otherwise} \cr
}
}
\right.
\]

其中，\(\gamma (W;(X,Y))\)为边际距离，定义为：

\[\gamma (W;(X,Y)) = S(X,Y) - S(X,\hat{Y})
\]

\(\hat{Y}\)为错误序列标注中得分最高（score函数最大值）的标签。关于参数更新策略的细节请参看FNLP Book [3].

2. 分解

以下源码分析基于fnlp-2.1版本。

训练模型

中文分词的训练模型为seg.m，由两个类TempletGroup与Linear序列化压缩而成：

ObjectInputStream in = new ObjectInputStream(new BufferedInputStream(
        new GZIPInputStream(new FileInputStream("models/seg.m"))));
TempletGroup templets = (TempletGroup) in.readObject();
Linear cl = (Linear) in.readObject();

其中，类TempletGroup定义了特征模板，Linear包含了特征模板、特征及其偏移量、权重数组：

// main field
public Inferencer inferencer;
protected AlphabetFactory factory;

// details about `factory` field
.factory: AlphabetFactory
    .maps { "LABELS" -> LabelAlphabet(data: {S=0,M=2,E=3,B=1})
      "FEATURES" -> StringFeatureAlphabet(data: TObjectIntCustomHashMap<String>)}
// StringFeatureAlphabet记录了feature在weights数组中的偏移

// details about `inferencer` field
.inferencer: LinearViterbi
    protected float[] weights;
    public TempletGroup templets;

类StringFeatureAlphabet的变量data为一个TObjectIntMap，K为特征，V为偏移量，如下所示：

0: 32
1:供/ 414540
2:O/ 14372
2:L/ 131248
3:煞/C/ 147492
5:呼/ 20032
8:哈/钦/ 419968
12:拉/杰/沙/ 350972
13:L/文/C/ 1324032

Map的size为441006，即为特征总数（感觉FNLP的训练语料太少）；特征由index + 特征值组成，共有14种。至于特征模板是如何定义，且看下下一小节。

解码

中文分词对应的解码类为CWSTagger，主要的field如下：

private Linear cl; //
protected Pipe prePipe = null; // String2Sequence, 初步切分成char array形式
protected Pipe featurePipe; //  Sequence2FeatureSequence, 计算特征数组
protected AlphabetFactory factory;
protected TempletGroup templets; // lis of BaseTemplet, 特征模板
protected LabelAlphabet labels; // 对应于factory.maps中的LABELS，即S,M,E,B

解码同CRF、结构化感知器SP一样为Viterbi算法，具体实现见类LinearViterbi，在此不再赘述。

特征

特征模板共定义了14个特征（对应于上面的训练模型），如下所示：

0: %y[-1]%y[0]
1: %x[0,0]%y[0]
2: %x[0,1]%y[0]
3: %x[0,0]%x[0,1]%y[0]
4: %x[-1,0]%y[0]
5: %x[1,0]%y[0]
6: %x[-2,0]%y[0]
7: %x[2,0]%y[0]
8: %x[-2,0]%x[-1,0]%y[0]
9: %x[-1,0]%x[0,0]%y[0]
10: %x[0,0]%x[1,0]%y[0]
11: %x[1,0]%x[2,0]%y[0]
12: %x[-1,0]%x[0,0]%x[1,0]%y[0]
13: %x[-1,1]%x[0,0]%x[1,1]%y[0]

特征模板格式与CRF++相类似；从上可以看出，有1个类别转移特征（index 0），5个unigram字符状态特征（index 1, 4, 5, 6, 7），4个bigram字符状态特征（index 8, 9, 10, 11），1个trigram字符状态特征（index 12），3个字符状态与类型的混合特征（index 2, 3, 13)。其中，FNLP的enum Chars.CharType定义了5种字符类型如下（与训练模型有稍许区别）。其实，字符类型特征对于分词来说比较鸡肋，可以不用。

D // 数字
L // 字母
C // 汉字
O // 其他，例如标点等
B_ // 空格

public  enum CharType {
    C,
    L,
    D,
    P, // 标点
    B}

我们来直观感受下FNLP的分词效果：

CWSTagger segger = new CWSTagger("models/seg.m");
segger.setEnFilter(true);
String sentence = "小明硕士毕业于中国科学院计算所，后在日本京都大学深造";
List<String> words = segger.tag2List(sentence);
// [小明, 硕士, 毕业于, 中国, 科学院, 计算, 所, ，, 后, 在, 日本, 京都, 大学, 深造]

可以看出，FNLP分词的粒度不均匀，准确性不是太高；应该是跟训练语料太少有关系，训练不充分而导致的。

3. 参考文献

[1] Qiu, Xipeng, Qi Zhang, and Xuanjing Huang. "FudanNLP: A Toolkit for Chinese Natural Language Processing." ACL (Conference System Demonstrations). 2013.

[2] Crammer, Koby, et al. "Online passive-aggressive algorithms." Journal of Machine Learning Research 7.Mar (2006): 551-585.

[3] 邱锡鹏, “自然语言处理原理与实现”, 2014.