用CRF++开源工具做文本序列标注教程

本文只介绍如何快速的使用CRF++做序列标注，对其中的原理和训练测试参数不做介绍。

官网地址：CRF++: Yet Another CRF toolkit

主要完成如下功能：

输入 -> "周杰伦是谁"
输出 -> "[周杰伦:artist]是谁"

以下所有内容均为原创，如果觉得本教程不错的话，点个赞再走呗~

一、资源准备

下载链接中的内容：

链接：https://pan.baidu.com/s/16iw3WBSHI1U5U1G_xbikDA 密码：cfqi

该文件夹里面包含了以下内容：

1、CRF++-0.58.tar.gz，CRF++开源工具，这个是从CRF++官网上下载的。

2、data文件夹，训练和测试需要的数据，这个是我自己写的，其中：

• input文件夹，存放所需要的数据：
  train_data.txt，训练数据，这里只有几条作为示例，实际工程中，需要上万条数据；
  test_data.txt，测试数据；
  crf.template，特征模板。
• output文件夹 -> 输出的模型和测试结果。

3、code文件夹，C++调用CRF++接口的代码示例，这个是我自己写的。

二、CRF++的编译

按照如下命令进行：

tar zxvf CRF++-0.58.tar.gz
cd CRF++-0.58
./configure
make
sudo make install

这时候就编译安装成功了。

cd /usr/local/bin      
cd /usr/local/lib                      

切换到上面这两个目录，bin目录下可以看到crf_learn和crf_test两个可执行程序，分别用于模型的训练和测试; lib目录下是生成的CRF++库。

//备注1：CRF++-0.58/.libs，这个目录下也有生成上述可执行程序和库。
//备注2：如果不想安装到上述目录，或者没有root权限，在configure的时候指定安装目录即可。

三、模型训练

按照如下命令进行：

cd CRF++_tutorial/data
./train.sh

这样，我们就得到了模型，即output/crf.mdl文件，这个文件是二进制的没办法查看。

train.sh脚本内容如下：

#/usr/local/bin/crf_learn: 前面编译生成的crf++的训练工具
#input/crf.template: 特征模板
#input/train_data.txt: 训练数据
#output/crf.mdl: 训练输出的模型

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
/usr/local/bin/crf_learn input/crf.template input/train_data.txt output/crf.mdl

训练数据格式如下：

四、测试

按照如下命令进行：

cd CRF++_tutorial/data 
./test.sh 

这样，我们就得到了预测的结果，即output/test_result.txt文件，可以打开看下预测结果。

test.sh脚本内容如下：

#/usr/local/bin/crf_test: 前面编译生成的crf++的测试工具
#-m output/crf.mdl: train.sh脚本训练输出的crf模型
#input/test_data.txt: 测试数据
#-o output/test_result.txt: 输出测试结果 

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
/usr/local/bin/crf_test -m output/crf.mdl input/test_data.txt -o output/test_result.txt

测试数据格式如下（testdata和traindata需要用相同的编码格式，不然没法解析）：

测试结果如下，虽然训练数据只有几条，但测试结果还是挺准的哈：

五、C++接口调用示例

按照如下命令进行：

cd CRF++_tutorial/code
cmake .
make
./crf_test

程序输出结果如下：

具体调用流程请参考CRF++_tutorial/code/main.cpp

代码如下：

#include <iostream>
#include <string>
#include <vector>
#include "crfpp.h"

using namespace std;

int main()
{
    //> 0.测试输入
    vector<string> query;
    query.push_back("周");
    query.push_back("杰");
    query.push_back("伦");
    query.push_back("是");
    query.push_back("谁");

    //> 1.模型加载
    cout << ">>>>>> Begin to load crf++ model……" << endl;
    CRFPP::Model* crf_model_ = CRFPP::createModel("-m ../data/output/crf.mdl -v 3");
    cout << ">>>>>> Success to load crf++ model !" << endl;
    
    //> 2.创建CRF++对象
    CRFPP::Tagger* tagger = crf_model_->createTagger();

    //> 3.add query
    vector<string>::iterator it = query.begin();
    for ( ; it != query.end(); it++){
        tagger->add((*it).c_str());
    }

    //< 4.对query进行标注
    if (!tagger->parse()){
        cout << ">>>>>> Fail to parse !" << endl;
        return -1;
    }

    //> 5.打印标注结果
    cout << "标注结果: " << endl;
    for (size_t i = 0; i < tagger->size(); i++){
        cout << query[i] << " " << tagger->y2(i) << endl;
    }

    return 0;
}

from: https://zhuanlan.zhihu.com/p/39695509