CRF序列标注模型几个问题的理解

最新推荐文章于 2024-07-23 21:15:17 发布

liu_zhlai

最新推荐文章于 2024-07-23 21:15:17 发布

阅读量1.3w

点赞数 4

分类专栏：自然语言处理

本文链接：https://blog.csdn.net/liu_zhlai/article/details/52235175

版权

自然语言处理专栏收录该内容

7 篇文章 0 订阅

订阅专栏

条件随机场模型（CRF）在序列标注问题中得到广泛应用，并且事实证明CRF的效果不错。本文就以下几个问题写下自己的理解：

1、哪些场景适合序列标注模型，哪些场景适合分类器模型？

Edwin Chen在介绍条件随机场的博文中，通过一个有趣的问题，引入条件随机场序列标注问题，我们这里不妨拿过来直接用一下：
假设你有一组关于 Justin Bieber的日常生活照（你可以想像成Bieber是个自拍狂，经常在朋友圈晒自拍），你想标注一下这些照片描绘的活动场景(比如Bieber是在吃饭、参加舞会、开车，还是在睡觉呢),你会怎么做呢？
一种方法是不考虑照片的发生先后关系，通过svm、决策树之类的分类方法，对每张照片单独分类。比如，你有事先标注的关于Bieber的一个月的日常生活照，你可以通过这些标注集训练一个分类器，通过这些标注集合，你可能得到一个这样的分类器：拍摄于晚上6点之后光线很暗的照片是在睡觉，拍摄于晚上灯光闪烁的照片是在参加舞会.....
通过上述方法虽然也能解决问题，但是会丢失一些信息，比如有一张照片是bieber嘴的一个特写，你怎么判断他是在吃法还是在唱歌呢？如果你能知道，这张照片的前一张是关于Bieber在做饭的照片，那这张嘴的特写照很可能就是在吃饭；反之，前一张照片是在参加舞会，那这张特写就更可能是在唱歌。
因此，为了提高照片标注的准确性，我们就需要参考相邻照片的标注，这就是序列标注问题，也是条件随机场能大显身手的场景。

当然，你也许会说我在训练分类器的时候也可以加上跟时间有关的特征，比如上面的例子，在训练分类器的时候，可以把标注集按时间排序，然后把每张图前后的图片的类别作为分类器特征，来训练分类器。但是仔细想下，就会发现其中的问题，你在用这些分类器模型预测上面例子中的问题时，你是不知道每张图片的前后相邻图片的类别的，它们也是需要预测的；那你可能又说，预测出第一张图片类别后，可以把这个图片的类别作为特征预测下一张，但是这样做引入的问题就是如果第一张预测错了，就会影响第二张的预测，即引起误差传递。而序列标注模型是把这一组照片的类别作为一个整体来预测，是这个整体预测准确率最高。

知乎上有人做了一下总结，我觉得总结的不错：

标注跟分类最大的区别就是：标注采的特征里面有上下文分类结果，这个结果你是不知道的，他在“分类”的时候是跟上下文一起"分类的"。因为你要确定这个词的分类得先知道上一个词的分类，所以这个得整句话的所有词一起解，没法一个词一个词解。

而分类是根据当前特征确定当前类别，分类的时候不需要考虑上下文的分类结果，但可以引入上下文的特征。

2. CRF++的特征模板怎么理解

条件随机场用的最多的应该是开源的CRF++，CRF++的特征模板怎么理解呢？

1）准备模板

上面是CRF++官方文档中， Base-NP chunking task（语快分析）标注的模板文件。

模板文件中的每一行是一个模板。每个模板都是由%x[row,col]来指定输入数据中的一个token。row指定到当前token的行偏移（行是相对位置），col指定列位置（列是绝对位置）。

比如以下训练数据：第一列表示英文单词，第二例表示词性，第三列表示标记

由上图可见，当前token是the这个单词。%x[-2,1]就就是the的前两行，1号列的元素（注意，列是从0号列开始的），即为PRP。

2）模板类型

CRF++有两种类型的模板，Unigram和Bigram，模板类型通过第一个字符指定。CRF模型是一个链式有向无环图，Unigram模板提取的特征是有向无环图的点，BIgram提取的是特征是有向无环图的边。

第一种是Unigram template:第一个字符是U，这是用于描述unigram feature的模板。每一行%x[#,#]生成一个CRFs中的点(state)函数: f(s, o), 其中s为t时刻的的标签(output)，o为t时刻的上下文.

当给出一个"U01:%x[0,1]"的模板时，CRF++会产生如下的一些特征函数集合(func1 ... funcN)：

这几个函数我说明一下，%x[0,1]这个特征到前面的例子就是说，根据词语(第1列)的词性(第2列)来预测其标注(第3列)，这些函数就是反应了训练样例的情况，func1反映了“训练样例中，词性是DT且标注是B-NP的情况”，func2反映了“训练样例中，词性是DT且标注是I-NP的情况”。
模板函数的数量是L*N，其中L是标注集中类别数量，N是从模板中扩展处理的字符串种类，我理解的是N就是训练数据中，标记、词语、词性这个三元组不同的行数。

第二种是Bigram template:第一个字符是B，每一行%x[#,#]生成一个CRFs中的边(Edge)函数:f(s', s, o), 其中s'为t – 1时刻的标签.也就是说,Bigram类型与Unigram大致机同,只是还要考虑到t – 1时刻的标签.如果只写一个B的话,默认生成f(s', s)，这意味着前一个output token和current token将组合成bigram features。目前看到的例子中Bigram都只用了B一个特征模板，即只考虑前面一个标记的影响，可以结合HMM的状态转移概率考虑。

Bifram的模板会产生L * L * N种不同的特征。

3.CRF是怎么计算测试数据的标记的？

了解CRF的同学肯定都知道CRF是判别模型，给定一个句子s，要求出句子的标记，就是找出一个标记序列l，使得P（l|s）概率最大，即