當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

用CRF做命名实体识别——NER系列（三）

發(fā)布時(shí)間：2025/3/15 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了用CRF做命名实体识别——NER系列（三）小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

在上一篇文章《用隱馬爾可夫模型(HMM)做命名實(shí)體識(shí)別——NER系列（二）》中，我們使用HMM模型來做命名實(shí)體識(shí)別，將問題轉(zhuǎn)化為統(tǒng)計(jì)概率問題，進(jìn)行求解。顯然，它的效果是非常有限的。

在深度學(xué)習(xí)技術(shù)火起來之前，主流的、最有效的方法，就是CRF(條件隨機(jī)場(chǎng))模型。本文不對(duì)CRF模型進(jìn)行展開講解，而是結(jié)合我之前參加的CCF BDCI的其中一個(gè)賽題，直接用CRF++工具進(jìn)行實(shí)戰(zhàn)。下面直接進(jìn)入正題。

1.賽題解讀

賽題介紹：https://www.datafountain.cn/competitions/269/details/rule

總結(jié)一下，這個(gè)題目要求我們對(duì)數(shù)據(jù)集中的每條記錄，提取出正文中的主要機(jī)構(gòu)實(shí)體，判斷這些機(jī)構(gòu)的風(fēng)險(xiǎn)等級(jí)（中性，正向或負(fù)向），并為每個(gè)實(shí)體生成相應(yīng)的摘要和關(guān)鍵詞。

我接下來主要講提取實(shí)體這一部分，用的是CRF模型，訓(xùn)練直接使用CRF++工具(http://taku910.github.io/crfpp/)(似乎被墻了？)。

2.算法流程圖

3.算法說明

3.1 定義實(shí)體標(biāo)注集

為了確保最后的機(jī)構(gòu)實(shí)體識(shí)別準(zhǔn)確度，使用BMEWO標(biāo)注集，各個(gè)標(biāo)注的意義如下：

B:實(shí)體的開頭

M:實(shí)體的中間部分

E:實(shí)體的結(jié)束

W:單獨(dú)成實(shí)體

O:句子的其它成分

比如下面這個(gè)句子(已做分詞處理)：

山西????? 相立????? 山泉????? 飲品????? 開發(fā)????? 有限公司???? 生產(chǎn)????? 的桶裝? 飲用水? 檢出????? 銅綠????? 假?? 單胞菌

背后的標(biāo)注為：

山西/B? 相立/M 山泉/M 飲品/M 開發(fā)/M 有限公司/E? 生產(chǎn)/O? 的/O 桶裝/O???? 飲用水/O???? 檢出/O? 銅綠/O?? 假/O 單胞菌/O

3.2訓(xùn)練文本、測(cè)試文本預(yù)處理

對(duì)訓(xùn)練文本進(jìn)行中文分詞、去除停用詞的處理,并根據(jù)上述的標(biāo)注集進(jìn)行標(biāo)注。同時(shí)，除了詞本身，還引入了4個(gè)特征：

特征①：【詞性】，用jieba分詞識(shí)別出來的詞性

特征②：【是否是特征詞】，該詞是特征詞，標(biāo)記1；不是特征詞，標(biāo)記0。這里的特征詞是指“實(shí)體通常的結(jié)尾詞”，比如“有限公司”，“藥監(jiān)局”，“超市”等等，這些特征詞來源于兩個(gè)地方：

從訓(xùn)練集中分詞得到。

從開源中文分詞工具h(yuǎn)anlp的機(jī)構(gòu)名詞典中整理得到。

特征③：【是否是地點(diǎn)】，該詞是地點(diǎn)，標(biāo)記為isloc；該詞不是地點(diǎn)，標(biāo)記為notloc。這里的地點(diǎn)信息我們是從jieba的分詞詞性標(biāo)注功能中得到的，詞性標(biāo)注為ns的一般是地點(diǎn)。

特征④：【是否是句子結(jié)束】，該詞是這個(gè)句子的結(jié)束詞，標(biāo)記為isend；否則標(biāo)記為notend。

訓(xùn)練文本在經(jīng)過預(yù)處理之后，格式如下：

寧夏????? ns?? 0???? isloc????? notend B

物美????? nz?? 0???? notloc? notend M

超市????? v???? 1???? notloc? notend M

有限公司??? n???? 1???? notloc? notend M

森林公園??? n???? 0???? notloc? notend M

店?? n???? 1???? notloc? isend??? E

其中，第一列為詞本身，第二列為特征①，第三列為特征②，第四列為特征③，第五列為特征④，第六列列為正確標(biāo)注。

測(cè)試文本的預(yù)處理和上面的基本一樣，區(qū)別在于，測(cè)試文本沒有正確的實(shí)體標(biāo)注，所以測(cè)試文本的預(yù)處理文件只有五列。最后我們要用CRF模型預(yù)測(cè)的是第六列—標(biāo)注。

3.3訓(xùn)練CRF模型

CRF模型的訓(xùn)練，需要一個(gè)特征模板，以便能夠自動(dòng)在訓(xùn)練文本中提取特征函數(shù)，特征模板的定義直接決定了最后的識(shí)別效果。

針對(duì)此次的機(jī)構(gòu)實(shí)體，我們定義了幾種特征模板，最終選擇了以下模板：

# Unigram

U01:%x[-2,0]

U02:%x[-1,0]

U03:%x[0,0]

U04:%x[1,0]

U05:%x[2,0]

U06:%x[-2,0]/%x[-1,0]/%x[0,0]

U07:%x[-1,0]/%x[0,0]/%x[1,0]

U08:%x[0,0]/%x[1,0]/%x[2,0]

U09:%x[-1,0]/%x[0,0]

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

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

U12:%x[-1,1]/%x[0,1]

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

U14:%x[0,1]/%x[0,2]

U15:%x[-1,1]/%x[0,2]

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

U17:%x[-1,1]/%x[0,2]/%x[1,1]

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

U19:%x[0,0]/%x[0,2]

U20:%x[-1,0]/%x[0,2]

U21:%x[-2,0]/%x[-1,0]/%x[0,2]

U22:%x[-1,0]/%x[0,2]/%x[1,0]

U23:%x[0,2]/%x[1,0]/%x[2,0]

# Bigram

下面解釋一下上述特征模板：

①Unigram類型

每一行%x[#,#]生成一個(gè)CRFs中的點(diǎn)(state)函數(shù): f(s, o), 其中s為t時(shí)刻的標(biāo)簽(output)，o為t時(shí)刻的上下文以及特征信息。

比如：U06:%x[-2,0]/%x[-1,0]/%x[0,0]

U06是指這個(gè)特征模板的編號(hào)，對(duì)于%x[-2,0]而言，%x是指找到的字符；[-2,0]是定位信息，其中中括號(hào)里面的-2是指當(dāng)前詞的前兩個(gè)詞，0是指第0列。后面用/連接的是多個(gè)特征的組合。

對(duì)于以下的訓(xùn)練文本：

寧夏???? ns?? 0???? isloc????? notend B

物美???? nz?? 0???? notloc? notend M

超市???? v???? 1???? notloc? notend M

有限公司?? n???? 1???? notloc? notend M

森林公園?? n???? 0???? notloc? notend M

店? n???? 1???? notloc? isend??? E

假如當(dāng)前識(shí)別到第三行，則U06:%x[-2,0]/%x[-1,0]/%x[0,0]對(duì)應(yīng)識(shí)別出來的文本為寧夏/物美/超市。

這就相當(dāng)于我們?cè)谖谋局姓业降囊粭l特征。

②Bigram類型

每一行%x[#,#]生成一個(gè)CRFs中的邊(Edge)函數(shù):f(s’, s, o), 其中s’為t – 1時(shí)刻的標(biāo)簽.也就是說,Bigram類型與Unigram大致機(jī)同,只是還要考慮到t – 1時(shí)刻的標(biāo)簽.這里只寫一個(gè)B,默認(rèn)生成f(s’, s).

有了特征模板以及訓(xùn)練文本文件，就可以進(jìn)行CRF模型訓(xùn)練了，我們采用了CRF++這個(gè)開源工具包進(jìn)行訓(xùn)練，使用默認(rèn)參數(shù)，最終模型識(shí)別出來的特征有11616755條。

3.4預(yù)測(cè)、生成實(shí)體

有了上述預(yù)處理測(cè)試文本和訓(xùn)練生成的CRF模型，我們可以進(jìn)行測(cè)試文本的標(biāo)簽預(yù)測(cè),生成crf_test_output.txt。

由于crf_test_output.txt里面預(yù)測(cè)的是每個(gè)詞背后的標(biāo)注，我們還要做一個(gè)后處理工作才能把真正的實(shí)體提取出來。

用正則表達(dá)式B+M*E+或者W匹配文本，然后將其背后的文字提取出來，就是識(shí)別出來的機(jī)構(gòu)實(shí)體。

3.4效果和缺點(diǎn)

在使用CRF模型之后，我們得到了不錯(cuò)的效果。線下訓(xùn)練文本的實(shí)體召回率可以達(dá)到91.3％，另外，識(shí)別出來的無效實(shí)體也少了很多。

和基于規(guī)則的實(shí)體識(shí)別相比，它有著以下優(yōu)點(diǎn)：

通過特征模板，能夠最大限度的挖掘文本的特征，而不需要人工提取。
能夠考慮大量的上下文信息、特征。
考慮了相鄰詞的標(biāo)注信息，這是傳統(tǒng)的最大熵算法所不具備的。
和神經(jīng)網(wǎng)絡(luò)模型相比，CRF模型的可解釋性強(qiáng)，具體到每一個(gè)特征都有可以解釋的意義。因此調(diào)整起來比較容易。

當(dāng)然，這個(gè)模型也不是完美的，比如，我們訓(xùn)練的這個(gè)模型就比較“看重”機(jī)構(gòu)特征詞。舉個(gè)例子，如果“下屬公司”單獨(dú)出現(xiàn)，則它也可能會(huì)被識(shí)別為機(jī)構(gòu)名，需要我們?nèi)斯ざx一些規(guī)則將其去除。

CRF++工具的使用就沒有介紹了，訓(xùn)練的過程只需要預(yù)處理語料以及模板文件，預(yù)處理語料格式和模板文件，在上文已經(jīng)體現(xiàn)出來了，感興趣的朋友，缺少語料或者工具，可以找我要。

代碼和語料：
https://www.lookfor404.com/命名實(shí)體識(shí)別的語料和代碼/

https://www.lookfor404.com/%e7%94%a8crf%e5%81%9a%e5%91%bd%e5%90%8d%e5%ae%9e%e4%bd%93%e8%af%86%e5%88%ab-ner%e7%b3%bb%e5%88%97%ef%bc%88%e4%b8%89%ef%bc%89/

總結(jié)

以上是生活随笔為你收集整理的用CRF做命名实体识别——NER系列（三）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： PHP服务Fcgi进程及PHP解析优化
下一篇：【译】深入理解LSTM网络