Skip to content

CRF词法分析

hankcs edited this page Apr 10, 2020 · 7 revisions

CRF中文分词、词性标注与命名实体识别

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。 uml

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/pku98/199801.txt,随1.6.2以上版本发布。

语料格式等与感知机词法分析器相同,请先阅读《感知机词法分析器》。

中文分词

训练

        CRFSegmenter segmenter = new CRFSegmenter(null);
        segmenter.train("data/test/pku98/199801.txt", CWS_MODEL_PATH);

输出为HanLP私有的二进制模型,有兴趣的话还可以通过命令导出为兼容CRF++的纯文本格式。

java -cp hanlp.jar com.hankcs.hanlp.model.crf.crfpp.crf_learn -T cws.bin cws.txt

与CRF++兼容

由于C++的运行效率和内存效率优于Java,所以推荐直接利用CRF++执行大规模训练。

首先将人民日报语料转换为CRF++格式:

        CRFSegmenter segmenter = new CRFSegmenter(null);
        segmenter.convertCorpus("data/test/pku98/199801.txt", "data/test/crf/cws-corpus.tsv");

然后准备一份特征模板,或者直接用HanLP默认的:

        segmenter.dumpTemplate("data/test/crf/cws-template.txt");

接着用CRF++的crf_learn执行训练:

crf_learn cws-template.txt cws-corpus.tsv cws -t
  • 此处必须使用-t命令CRF++输出文本格式的模型cws.txt
  • HanLP只兼容CRF++的文本模型,不兼容二进制

cws.txt格式的模型传入CRFSegmenterCRFLexicalAnalyzer的构造函数即可创建分词器,同时HanLP会自动创建二进制缓存.txt.bin,下次加载耗时将控制在数百毫秒内。

预测

可通过如下方式加载:

        CRFSegmenter segmenter = new CRFSegmenter(CWS_MODEL_PATH);
        List<String> wordList = segmenter.segment("商品和服务");
        System.out.println(wordList);

不传入模型路径时将默认加载配置文件指定的模型。

词性标注

CRF词性标注器的训练与加载与中文分词类似,对应CRFPOSTagger

命名实体识别

CRF命名实体识别也是类似的用法,对应CRFNERecognizer

CRF词法分析器

训练了13个模型后,可以构造CRF词法分析器:

    /**
     * 构造CRF词法分析器
     *
     * @param cwsModelPath CRF分词器模型路径
     * @param posModelPath CRF词性标注器模型路径
     * @param nerModelPath CRF命名实体识别器模型路径
     */
    public CRFLexicalAnalyzer(String cwsModelPath, String posModelPath, String nerModelPath) throws IOException
    
    /**
     * 加载配置文件指定的模型
     *
     * @throws IOException
     */
    public CRFLexicalAnalyzer() throws IOException

构造后可以调用analyze接口或与旧接口兼容的seg:

        CRFLexicalAnalyzer analyzer = new CRFLexicalAnalyzer();
        String[] tests = new String[]{
            "商品和服务",
            "上海华安工业(集团)公司董事长谭旭光和秘书胡花蕊来到美国纽约现代艺术博物馆参观",
            "微软公司於1975年由比爾·蓋茲和保羅·艾倫創立,18年啟動以智慧雲端、前端為導向的大改組。" // 支持繁体中文
        };
        for (String sentence : tests)
        {
            System.out.println(analyzer.analyze(sentence));
            System.out.println(analyzer.seg(sentence));
        }

1.6.2以上版本中,所有的词法分析接口都同时支持简繁。

参考文献

  1. CRF++模型格式说明
  2. CRF分词的纯Java实现
  3. CRF++代码分析
  4. 鸣谢:在zhifac的crf4j 基础上做了一些优化与改进
  5. 条件随机场