CRF++的简单使用

CRF++是著名的条件随机场开源工具,也是目前综合性能最佳的CRF工具。本文简要介绍其使用方法。

一、工具包的下载:

a)         http://crfpp.sourceforge.net

其中有两种,一种是Linux下(带源码)的,一种是win32的,当然是在什么平台下用就下载什么版本了。

b)         http://download.csdn.net/source/1425683

两种版本打成一个包了。

二、安装:

a)         Windows版的无须安装,直接解压即可使用;

b)         Linux版本的安装方法是:

                         i.              解压到某目录下

                       ii.              打开控制台,将当前目录切换到解压目录

                      iii.              依次输入命令:    

./configure

make

su

make install

                            注:需要root权限才能成功安装。

三、训练语料格式:

a)         训练语料至少应具有两列,列间由空格或制表位间隔,且所有行(空行除外)必须具有相同的列数。句子间使用空行间隔。

b)         一些合法的语料示例:

                         i.              有两列特征的

Sd N

Sa N

Bu N

Eu N

Sw N

 

Sp N

Bn N

En N

Su N

                       ii.              只有一列特征的

N

N

N

N

N

 

N

N

N

N

四、特征的选取及模板的编写:

a)         特征选取的行是相对的,列是绝对的,一般选取相对行前后m行,选取n-1列(假设语料总共有n列),特征表示方法为:%x[,],行列的初始位置都为0。例如:

                         i.              以前面语料为例

Sw N

Bns B-LOC

Mns I-LOC

Ens I-LOC

Bn N

假设当前行为“京”字这一行,那么特征可以这样选取:

特征模板

意义

代表特征

%x[-2,0]

-2行,0

%x[-1,0]

-1行,0

%x[0,0]

0行,0

%x[1,0]

1行,0

%x[2,0]

2行,0

%x[-2,1]

-2行,1

Sw

%x[-1,1]

-1行,1

Bns

%x[0,1]

0行,1

Mns

%x[1,1]

1行,1

Ens

%x[2,1]

2行,1

Sw

%x[-1,0]/%x[0,0]

-10列与00列的组合

/

%x[0,0]/%x[1,0]

00列与10列的组合

/

%x[-2,1]/%x[-1,1]

-21列与-11列的组合

Sw/ Bns

%x[-1,1]/%x[0,1]

-11列与01列的组合

Bns/Mns

%x[0,1]/%x[1,1]

01列与11列的组合

Mns/Ens

%x[1,1]/%x[2,1]

11列与21列的组合

Ens/Sw

%x[-2,1]/%x[-1,1]/%x[0,1]

-21列、-11列、01列的组合

Sw/Bns/Mns

%x[-1,1]/%x[0,1]/%x[1,1]

-11列、01列、11列的组合

Bns/Mns/Ens

%x[0,1]/%x[1,1]/%x[2,1]

01列、11列、21列的组合

Mns/Ens/Sw

b)         模板制作:模板分为两类:UnigramBigram

其中Unigram/Bigram是指输出tokenUnigram/Bigrams,而不是特征。

c)         以前面示例中的特征为特征,制作为Unigram模板如下:

#Unigram

U00:%x[-2,0]

U01:%x[-1,0]

U02:%x[0,0]

U03:%x[1,0]

U04:%x[2,0]

U05:%x[-2,1]

U06:%x[-1,1]

U07:%x[0,1]

U08:%x[1,1]

U09:%x[2,1]

U10:%x[-1,0]/%x[0,0]

U11:%x[0,0]/%x[1,0]

U12:%x[-2,1]/%x[-1,1]

U13:%x[-1,1]/%x[0,1]

U14:%x[0,1]/%x[1,1]

U15:%x[1,1]/%x[2,1]

U16:%x[-2,1]/%x[-1,1]/%x[0,1]

U17:%x[-1,1]/%x[0,1]/%x[1,1]

U18:%x[0,1]/%x[1,1]/%x[2,1]

说明:

                         i.              其中#开头的行不起作为,为注释;

                       ii.              行与行之间可以有空行;

                      iii.              Unigram的特征前使用字母U,而Bigram的特征前使用字母B。后面的数字用于区分特征,当然这些数字不是一定要连续。

五、训练方法

a)         语料的训练可以使用命令(在终端或DOS命令行中):crf_learn <模板> <训练语料> <模板文件>

其中模板和训练语料是需要事先准备好的,模板文件在训练完成后生成

注意:

1)         如果提示语料格式错误,则注意检查语料的存储编码,有些编码CRF++是会读取错误的;

2)         文件路径要正确,如果文件没在当前目录,那么要使用绝对路径。

b)         训练中一些参数的说明:

ter:迭代次数

terr:标记错误率

serr:句字错误率

obj:当前对象的值。当这个值收敛到一个确定值的时候,训练完成

diff:与上一个对象值之间的相对差

六、解码方法

a)         可以使用crf_test -m <模板文件> <测试文件1> <测试文件2> ……。

b)         结果会直接输出到屏幕上面,如果想让结果保存到文件中,那么使用重定向,在上面命令后面加上一个开关“>”即可:crf_test -m <模板文件> <测试文件1> > <保存位置>。例如:crf_test -m model test.txt > result.txt

七、评测工具CoNLL 2000的用法

a)         下载:

                         i.             http://download.csdn.net/source/1425687

                       ii.              http://www.cnts.ua.ac.be/conll2000/chunking/output.html

b)         使用它是用来评分,所以要求crf_test一步使用的测试文件中本身带有答案,这样解码后生成的结果会在答案的后一列。比如原来为:

使 En N

Sw N

Bni B-ORG

Mni I-ORG

Eni I-ORG

Bn N

那么解码后变成:

使 En N   N

Sw N  N

Bni B-ORG B-ORG

Mni I-ORG I-ORG

Eni I-ORG   I-ORG

Bn N   N

CoNLL 2000将把最后一列与倒数第二列进行对比,统计出最后各类的正确率,召回率、F值等。

c)         使用评测工具前要将评测文件中的所有制表位转换成空格,否则评测工具会出错。

d)         评测命令为:perl conlleval.pl < <评测文件>

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 成长之路 设计师:Amelia_0503 返回首页