【中文分词】条件随机场CRF

最新推荐文章于 2024-10-09 10:03:07 发布

bye那夏末

最新推荐文章于 2024-10-09 10:03:07 发布

阅读量428

点赞数

分类专栏：自然语言处理

自然语言处理专栏收录该内容

2 篇文章 0 订阅

订阅专栏

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，这篇文章的二作与三作同时也是MEMM的作者。

1. 前言

本节将遵从tutorial [2] 的论文结构，从概率模型（Probabilistic Models）与图表示（Graphical Representation）两个方面引出CRF。

概率模型

Naïve Bayes（NB）是分类问题中的生成模型（generative model），以联合概率建模，运用贝叶斯定理求解后验概率。NB假定输入xx的特征向量条件独立（conditional independence），即

HMM是用于对序列数据XX做标注YY的生成模型，用马尔可夫链（Markov chain）对联合概率建模：

然后，通过Viterbi算法求解的最大值。LR (Logistic Regression)模型是分类问题中的判别模型（discriminative model），直接用logistic函数建模条件概率。实际上，logistic函数是softmax的特殊形式（证明参看ufldl教程），并且LR等价于最大熵模型（这里给出了一个简要的证明），完全可以写成最大熵的形式：

其中，为归一化因子，ww为模型的参数，为特征函数（feature function）——描述(x,y)(x,y)的某一事实。

CRF便是为了解决标注问题的判别模型，于是就有了下面这幅张图（出自 [3]）：

图表示

概率模型可以用图表示变量的相关（依赖）关系，所以概率模型常被称为概率图模型（probabilistic graphical model, PGM）。PGM对应的图有两种表示形式：independency graph, factor graph. independency graph直接描述了变量的条件独立，而factor graph则是通过因子分解（ factorization）的方式暗含变量的条件独立。比如，NB与HMM所对应的两种图表示如下（图出自[2]）：

可以看出，NB与HMM所对应的independency graph为有向图，图所表示的联合概率计算如下：

其中，为图中一个顶点，其parent节点为。根据上述公式，则上图中NB模型的联合概率:

有别于NB模型，最大熵则是从全局的角度来建模的，“保留尽可能多的不确定性，在没有更多的信息时，不擅自做假设”；特征函数则可看作是人为赋给模型的信息，表示特征xx与yy的某种相关性。有向图无法表示这种相关性，则采用无向图表示最大熵模型：

最大熵模型与马尔可夫随机场（Markov Random Field, MRF）所对应factor graph都满足这样的因子分解：

其中，为图的团（即连通子图），为势函数（ potential function）。在最大熵模型中，势函数便为的形式了。

2. CRF

前面提到过，CRF（更准确地说是Linear-chain CRF）是最大熵模型的sequence扩展、HMM的conditional求解。CRF假设标注序列YY在给定观察序列XX的条件下，YY构成的图为一个MRF，即可表示成图：

根据式子(4)，则可推导出条件概率：

同最大熵模型一样，因子亦可以写成特征函数的exp形式：

特征函数之所以定义成而非，是因为Linear-chain CRF对随机场做了Markov假设。那么，CRF建模的式子可改写为

模型建模P(Y|X)P(Y|X)，不同于CRF的是其采用有向图模型，只考虑xjxj对yjyj的影响，而没有把xx作为整体来考虑，导致的是本地归一化：

而CRF做的则是全局的归一化，避免了label bias的问题。

3. 开源实现

Genius是一个基于CRF的开源中文分词工具，采用了Wapiti做训练与序列标注。

import genius

text = "深夜的穆赫兰道发生一桩车祸，女子丽塔在车祸中失忆了"
seg_list = genius.seg_text(text)
print('/'.join([w.text for w in seg_list]))
# 深夜/的/穆赫兰道/发生/一/桩/车祸/，/女子/丽塔/在/车祸/中/失忆/了  [CRF]
# 深夜/的/穆赫/兰/道/发生/一/桩/车祸/，/女子/丽塔/在/车祸/中/失忆/了  [2-HMM]
# 深夜/的/穆赫兰道/发生/一桩/车祸/，/女子丽塔/在/车祸/中/失忆/了  [HMM]

可以看出，CRF在处理未登录词比HMM的效果是要好的。当然，你可以用CRF++自己撸一个中文分词器。正好，52nlp的有一篇教程教你如何撸，用的是bakeoff2005 的训练语料 msr_training.utf8。

Footnote: CRF原论文 [1] 与李航老师的《统计学习方法》关于CRF的推导引出，显得比较突兀。相反，tutorial [2] 将NB、HMM、maxent (LR)与CRF串联在一起，从Probabilistic Models、Graphical Representation的角度论述，非常容易理解——CRF是如何在考虑YY的相关性时对条件概率P(Y|X)P(Y|X)建模的；为一篇不得不读的经典的CRF tutorial。

4. 参考资料

[1] Lafferty, John, Andrew McCallum, and Fernando Pereira. "Conditional random fields: Probabilistic models for segmenting and labeling sequence data." Proceedings of the eighteenth international conference on machine learning, ICML. Vol. 1. 2001.
[2] Klinger, Roman, and Katrin Tomanek. Classical probabilistic models and conditional random fields. TU, Algorithm Engineering, 2007.
[3] Sutton, Charles, and Andrew McCallum. "An Introduction to Conditional Random Fields." Machine Learning 4.4 (2011): 267-373.
[4] shinchen2, 统计模型之间的比较. （为转载链接）
[5] KevinXU, 如何理解马尔可夫随机场里因子的表达？

作者：Treant

出处：http://www.cnblogs.com/en-heng/