基于条件随机场的命名实体抽取

本文地址：http://blog.csdn.net/nocml/article/details/8496534

转载请注明出处

先声明，本人是菜鸟，这篇文章中的做法也是我的菜鸟做法，如果有大牛看到还请指点一二。勿喷。

首先下载CRF++，这个开源工具还是很好用的，当然内存释放可能存在一些问题。

下载地址：http://crfpp.googlecode.com/svn/trunk/doc/index.html#download

                    http://download.csdn.net/detail/nocml/4988379（这个我编译通过了，上传到CSDN了）

 

然后我们要下载语料，我用的是人民日报免费的那一个月的语料，

语料下载地址：

语料下之后要加工语料。下面是我加工后的格式：

每句话后一个空行 ， 标记符号上图也显示了。本来想把处理后的语料上传到网上的，发现在太大了，上传不了，所以不想自己处理语料的请留邮箱哈。我可以发给你们。

 

语料处理完了，然后就是用CRF++训练了，这个很好办，我用的命令是crflearn -f 2 模版名 语料名 训练后的文件名  （crf_learn -f 2 template train_seg.part1.txt model_f2_all_ANSI_newTempalte）

我用的模版是：

#Unigram
U00:%x[-3,0]
U01:%x[-2,0]
U02:%x[-1,0]
U03:%x[0,0]
U04:%x[1,0]
U05:%x[2,0]
U06:%x[3,0]
U07:%x[-3,0]/%x[-2,0]
U8:%x[-2,0]/%x[-1,0]
U9:%x[-1,0]/%x[0,0]
U10:%x[0,0]/%x[1,0]
U11:%x[1,0]/%x[2,0]
U12:%x[2,0]/%x[3,0]

# Bigram
B

至此，我们得到了训练后的文件，然后才开始入正题，我们既然是做应用，总不能也用CRF++给我们的test.exe吧，这里我们要使用libcrfpp.dll, 由于我所做的项目是C#的，所以我又写了dll,在我写的dll中调用libcrfpp.dll对输入信息进行实体提取，直接返回抽取的结果。其实CRF++是开源的，我们也可以直接改其中的代码来实现我们想要的功能。

这里要说明的是由于语料较少，所以训练出来的准确度较低，没办法，谁让我们穷呢，只能用得起免费的语料，不过穷人有穷人的做法。我们可以在训练时把拟合度调小些，让训练出来的数据不要拟合的太厉害，抽取出来的结果可能会就误判，误判不怕，我们再对抽取结果进行规则提取，这个是个狠活儿，一定要多下功夫，做好了准确率会大幅提升。

最后我做的实体抽取准确率在94%以上。当然其实可以再提高的，特征这块做的太过薄弱，可是毕竟是做项目，不能耗费太长时间。

好了，就写这些，如果有什么问题可以留言，勿喷。