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