句法分析 java,基于CRF序列标注的中文依存句法分析器的Java实现

这是一个基于CRF的中文依存句法分析器，内部CRF模型的特征函数采用双数组Trie树(DoubleArrayTrie)储存，解码采用特化的维特比后向算法。相较于《最大熵依存句法分析器的实现》，分析速度翻了一倍，达到了1262.8655 sent/s

开源项目

CRF简介

CRF是序列标注场景中常用的模型，比HMM能利用更多的特征，比MEMM更能抵抗标记偏置的问题。在生产中经常使用的训练工具是CRF++，关于CRF++的使用以及模型格式请参阅《CRF++模型格式说明》。

CRF训练

语料库

预处理

依存关系事实上由三个特征构成——起点、终点、关系名称。在本CRF模型中暂时忽略掉关系名称(在下文可以利用其它模型补全)。

根据依存文法理论, 我们可以知道决定两个词之间的依存关系主要有二个因素: 方向和距离。因此我们将类别标签定义为具有如下的形式:

[ + |- ] dPOS

其中, [ + | – ]表示方向, + 表示支配词在句中的位置出现在从属词的后面, – 表示支配词出现在从属词的前面; POS表示支配词具有的词性类别; d表示距离。

比如原树库：

1很很dd_2程度

2有有vvyou_0核心成分

3必要必要aa_2存现体

4对对pp_14介词依存

5惩治惩治vv_14限定

6贪污贪污vv_8限定

7贿赂贿赂nn_6连接依存

8犯罪犯罪vvn_5受事

9的的uude1_5“的”字依存

10一些一些mmq_14数量

11理论理论nn_14限定

12与与ccc_11连接依存

13实践实践vvn_11连接依存

14问题问题nn_16内容

15进行进行vvx_16评论

16研究研究vvn_3限定

转换后：

很dd+1_v

有vvyou-1_ROOT

必要aa-1_v

对pp+3_n

惩治vv+3_n

贪污vv+1_v

贿赂nn-1_v

犯罪vvn-2_v

的uude1-3_v

未##量mmq+2_n

理论nn+1_n

与ccc-1_n

实践vvn-1_n

问题nn+2_v

进行vvx+1_v

研究vvn-1_a

特征模板

# Unigram

U01:%x[0,0]

U02:%x[0,0]/%x[0,2]

U03:%x[-1,2]/%x[0,0]

U04:%x[-1,2]/%x[0,2]/%x[0,0]

U05:%x[0,0]/%x[1,2]

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

U07:%x[-1,2]/%x[0,2]

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

U09:%x[0,2]/%x[1,2]

U10:%x[0,2]/%x[1,1]

U11:%x[-2,2]/%x[-1,2]/%x[0,2]/%x[1,2]

U12:%x[-1,2]/%x[0,2]/%x[1,2]/%x[2,2]

U13:%x[-2,2]/%x[-1,2]/%x[0,2]/%x[1,2]/%x[2,2]

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

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

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

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

# Bigram

B

训练参数

crf_learn -f 3 -c 4.0 -p 3 template.txt train.txt model -t

我的试验条件(机器性能)有限，每迭代一次要花5分钟，最后只能设定最大迭代次数为100。经过痛苦的迭代，得到了一个效果非常有限的模型，其serr高达50%，暂时只做算法测试用。

解码

标准的维特比算法假定所有标签都是合法的，但是在本CRF模型中，标签还受到句子的约束。比如最后一个词的标签不可能是+nPos，必须是负数，而且任何词的[+/-]nPos都得保证后面(或前面，当符号为负的时候)有n个词语的标签是Pos。所以我覆写了CRF的维特比tag算法，代码如下：

@Override

public void tag(Table table)

{

int size = table.size();

double bestScore = 0;

int bestTag = 0;

int tagSize = id2tag.length;

LinkedList scoreList = computeScoreList(table, 0);    // 0位置命中的特征函数

for (int i = 0; i 

{

for (int j = 0; j 

{

if (!isLegal(j, 0, table)) continue;

double curScore = matrix[i][j] + computeScore(scoreList, j);

if (curScore > bestScore)

{

bestScore = curScore;

bestTag = j;

}

}

}

table.setLast(0, id2tag[bestTag]);

int preTag = bestTag;

// 0位置打分完毕，接下来打剩下的

for (int i = 1; i 

{

scoreList = computeScoreList(table, i);    // i位置命中的特征函数

bestScore = Double.MIN_VALUE;

for (int j = 0; j 

{

if (!isLegal(j, i, table)) continue;

double curScore = matrix[preTag][j] + computeScore(scoreList, j);

if (curScore > bestScore)

{

bestScore = curScore;

bestTag = j;

}

}

table.setLast(i, id2tag[bestTag]);

preTag = bestTag;

}

}

注意上面的

if (!isLegal(j, i, table)) continue;

保证了标签的合法性。

这一步的结果：

坚决aad+1_v

惩治vv-1_ROOT

贪污vv+2_n

贿赂nn-1_v

等uudeng-1_v

经济nn+1_v

犯罪vvn-2_v

后续处理

有了依存的对象，还需要知道这条依存关系到底是哪种具体的名称。我从树库中统计了两个词的词与词性两两组合出现概率，姑且称其为2gram模型，用此模型接受依存边两端的词语，输出其最可能的关系名称。

最终结果

转换为CoNLL格式输出：

1坚决坚决ada_2方式__

2惩治惩治vv_0核心成分__

3贪污贪污vv_6限定__

4贿赂贿赂nn_3连接依存__

5等等udengu_3连接依存__

6经济经济nn_7限定__

7犯罪犯罪vnv_2受事__

评测

在封闭测试集上效果马马虎虎：

UA: 71.13%LA: 66.51%DA: 66.07%sentences: 20000speed: 1077.6443 sent/s

在测试集上则有待改进：

UA: 60.72%LA: 47.24%DA: 45.48%sentences: 2000speed: 890.4719 sent/s

2014年12月12日更新：

今天改进了特征模板，简单地去掉了B特征，进步非常显著。

封闭测试集——

UA: 78.81%LA: 73.67%DA: 72.59%sentences: 20000speed: 1262.8655 sent/s

开发集——

UA: 67.66%LA: 52.53%DA: 50.16%sentences: 2000speed: 787.40155 sent/s

我上次关于“B特征似乎没有任何用处”的猜测是正确的。

2014年12月14日更新

今天再次改进了特征模板，将前后5个词语的词和词性与其组合作为特征，训练了80个迭代，效果更好了。

封闭测试集——

UA: 91.61%LA: 85.68%DA: 84.94%sentences: 20000speed: 582.42816 sent/s

开发集——

UA: 71.22%LA: 55.02%DA: 52.69%sentences: 2000speed: 513.34705 sent/s

值得一提的是，由于条件有限，模型并没有训练到足够收敛。如果有足够的时间，应该可以得到更加精确的模型。同时模型的体积也达到了466MB，代价很大。

思考

我认为不足之处有三：

机器性能受限，没有训练到足够收敛

特征模板没有设计好，B特征似乎没有任何用处

语料库本身有错误

另外，关于将线性CRF序列标注应用于句法分析，我持反对意见。CRF的链式结构决定它的视野只有当前位置的前后n个单词构成的特征，如果依存节点恰好落在这n个范围内还好理解，如果超出该范围，利用这个n个单词的特征推测它是不合理的。也就是说，我认为利用链式CRF预测长依存是不科学的。

我不清楚论文中标称的80+%的准确率是怎么计算的，我保留意见。

Reference