资实验相关资料下载
CRF++使用见《CRF++的简单使用》
一、实验环境
a) 软件:windows XP pro sp3,visual studio 2008 & Dotnet2.0, CRF++, perl
b) 硬件: CPU: cm420,内存:2G ddr533, 160G 8M sata 富士通
二、实验过程
下面未经特别说明,都是按照作业要求将训练语料分成7:3进行训练和评测所得的结果。
a) 直接应用CRF
i. 所给定的语料格式非常符合条件随机场的要求,故直接使用条件随机场进行训练测试。(本次试验的文件在包test1.rar中)
1. 转换文档编码为UTF8(CRF++在使用UTF16时会报错)
2. 制定模板,如下:
#Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U10:%x[-1,0]/%x[0,0]
U11:%x[0,0]/%x[1,0]
3. 使用CRF++学习特征(相关信息如下)
a) 命令:crf_learn template_file train_file model
其中template_file是模板文件,train_file是训练语料,都需要事先准备好;model是CRF++根据模板和训练语料生成的文件,用于解码。
i. template_file文件
1. 模板的基本格式为%x[row,col],它用于确定输入数据中的一个token
其中,row确定与当前的token的相对行数。col用于确定绝对列数。(如下图:)
|
col 0
|
col 1
|
col 2
|
|
row -2
|
疆
|
Ens
|
I-LOC
|
|
row -1
|
总
|
Bn
|
N
|
|
row 0
|
统
|
En
|
N
|
当前行
|
row 1
|
阿
|
Bns
|
B-PER
|
|
row 2
|
利
|
Mns
|
I-PER
|
|
模板
|
指代的特征
|
U00:%x[-2,0]
|
疆
|
U01:%x[-1,0]
|
总
|
U02:%x[0,0]
|
统
|
U03:%x[1,0]
|
阿
|
U04:%x[2,0]
|
利
|
U10:%x[-1,0]/%x[0,0]
|
总/统
|
U11:%x[0,0]/%x[1,0]
|
统/阿
|
2. 特征模板的类型
a) 第一种以字母U开头,为Unigram template。当模板前加上U之后,CRF会自动生成一个特征函数集合。
一个模型生成的特征函数的个数总数为L*N,其中L是输出的类别数,N是根据给定的template扩展出的独立串(unique string )的数目。
b) 第二种特征模板以B开头,即Bigram template
它用于描述Bigram特征。系统将自动产生当前输出token与前一个输出token的组合。产生的可区分的特征的总数是L*L*N,其中L是输出类别数,N是这个模板产生的unique features数。
c) 两种模板的区别
注意:Unigram/Bigram是指输出token的Unigram/Bigrams,而不是特征!
unigram:|output tag|×|从模板中扩展的所有可能串|
bigram: |output tag| × |output tag| × |从模板中扩展的所有可能串|
b) iter=88 terr=0.01365 serr=0.23876 obj=67066.17413 diff=0.00006
其中:iter是迭代次数;terr是词错误率;serr是句错误率;obj是当前对象值,当它收敛时,迭代结束;diff是与上一对象的差。
4. Done!2706.41 s,用时间2706.41s(在电脑1上)。
5. 对测试语料进行测试
a) 命令:crf_test -m model_file test_file > result_file
其中 model_file是刚才生成的model文件,test_file是待测试语料,“>result_file”是重定向语句,指将屏幕输出直接输出到文件result_file中。
b) CRF++的解码速度是很快的,尤其是直接写入文件时。但是因为特征选取的问题,正确率、召回率都不高。
c) 结果使用conlleval.pl程序测评。(其代码在提交包根目录中)
测评的命令为:perl conlleval.pl < output.txt,其中output.txt为待评测文件,需要perl解释器支持。详细结果如下:
LOC:
|
precision:
|
63.67%;
|
recall:
|
72.93%;
|
FB1:
|
67.98
|
5623
|
382251.5
|
ORG:
|
precision:
|
21.26%;
|
recall:
|
35.90%;
|
FB1:
|
26.71
|
4491
|
119954.6
|
PER:
|
precision:
|
65.90%;
|
recall:
|
65.06%;
|
FB1:
|
65.47
|
2554
|
167210.4
|
|
|
|
|
|
宏平均
|
53.38667
|
微平均:
|
52.84311
|
ii. 因为刚才特征选取地特别少,故猜想多加入有效特征可以提高结果,于是把模板定义如下:(本次试验的相关数据文件在包test2.rar中)
1. 模板2:
#Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U5:%x[-2,0]/%x[-1,0]
U6:%x[-1,0]/%x[0,0]
U7:%x[0,0]/%x[1,0]
U8:%x[1,0]/%x[2,0]
2. 相关的实验数据如下:
a) 训练过程:
iter=94 terr=0.00571 serr=0.12313 obj=53321.45523 diff=0.00000
Done!2915.53 s
b) 测试结果:
LOC:
|
precision:
|
66.86%;
|
recall:
|
74.31%;
|
FB1:
|
70.39
|
5456
|
384047.8
|
ORG:
|
precision:
|
26.95%;
|
recall:
|
41.02%;
|
FB1:
|
32.53
|
4048
|
131681.4
|
PER:
|
precision:
|
68.29%;
|
recall:
|
65.67%;
|
FB1:
|
66.96
|
2488
|
166596.5
|
|
|
|
|
|
宏平均
|
56.62667
|
微平均:
|
56.89841
|
的确有所进步,但是还是明显显低。
a) 制定规则,改进结果
i. 对结果进行分析(详见各包中以error开头的文件),可以发现错误主要有以下几种:
1. 同一实体内不同字间的类型不同,则以字类数较多者为准
a) 个数相同时,多数情况下为LOC
2. 实体开头的字必定为B-???格式
3. 实体的开始和结尾都有特定的特征可以遵循(如停用词、动词等作为分界等)
4. 固定实体后跟实体应为B-???格式(如省名后)
5. 实体间间隔较小时可能合并为同一实体
6. ……
ii. 根据以上特点对结果进行优化,计划依次试验各个规则。但因时间因素,只检测了四五种,其中较有效果的是前两种(即规则1和2),两者结合可以把结果成绩提高12%左右。在test2的结果上加以更正,得到的结果如下:
LOC:
|
precision:
|
79.40%;
|
recall:
|
76.43%;
|
FB1:
|
77.89
|
4966
|
386801.7
|
ORG:
|
precision:
|
53.86%;
|
recall:
|
52.63%;
|
FB1:
|
53.24
|
3457
|
184050.7
|
PER:
|
precision:
|
80.88%;
|
recall:
|
67.09%;
|
FB1:
|
73.34
|
2327
|
170662.2
|
|
|
|
|
|
宏平均
|
68.15667
|
微平均:
|
68.9781
|
虽然F值有很大提高,但是还是太不理想
c) 先分词并标注词性信息,再用CRF学习规则
i. 看来单从字的角度着眼已然不够,于是试图利用分词和词性标注信息。因为题目未给出相应信息,故用分词标注信息先进行分词标注(分词标注工具见附件包根目录)。
ii. 分词标注后,字的特征如下所示:
字
|
词性及分词标记
|
实体标记
|
:
|
Sw
|
N
|
印
|
Bns
|
B-LOC
|
度
|
Ens
|
I-LOC
|
首
|
Bd
|
N
|
先
|
Ed
|
N
|
iii. 于是针对其建立模板:
iv. 以此模板进行训练,得到模型后进行测试,最后用conlleval测得结果如下:
iter=226 terr=0.00935 serr=0.17661 act=2913330 obj=42785.69115 diff=0.00009
Done!4502.97 s
LOC:
|
precision:
|
82.05%;
|
recall:
|
89.97%;
|
FB1:
|
85.83
|
20309
|
1743121
|
ORG:
|
precision:
|
48.36%;
|
recall:
|
65.12%;
|
FB1:
|
55.5
|
13818
|
766899
|
PER:
|
precision:
|
91.52%;
|
recall:
|
93.15%;
|
FB1:
|
92.33
|
9189
|
848420.4
|
|
|
|
|
|
宏平均
|
77.88667
|
微平均:
|
77.53349
|
v. 对此结果再以用前面建立的规则优化,最终得到结果如下:
LOC:
|
precision:
|
90.34%;
|
recall:
|
90.37%;
|
FB1:
|
90.36
|
18878
|
1705816
|
ORG:
|
precision:
|
70.47%;
|
recall:
|
71.54%;
|
FB1:
|
71
|
12474
|
885654
|
PER:
|
precision:
|
94.85%;
|
recall:
|
92.70%;
|
FB1:
|
93.76
|
8954
|
839527
|
|
|
|
|
|
宏平均
|
85.04
|
微平均:
|
85.12373
|
在此基础上对Test_utf16.ner进行训练,最终得到finalAnswer.txt
三、实验结果对照表
编号
|
使用策略
|
结果
|
方法改进
|
性能提升
|
|
1
|
单字CRF(1)
|
约53%
|
|
|
|
2
|
单字CRF(1)
|
约56.7%
|
使用更多的特征信息
|
约3.7%
|
特征对于结果有较大影响,但因硬件条件和时间原因未能引入更多的特征加以佐证。
|
3
|
单字CRF+规则
|
约68.5%
|
人工添加规则,对结果进行优化
|
约11.8%
|
规则可以弥补机器学习方法的不足,依次(并改变规则的顺序)尝试各种规则。
|
4
|
分词+词性标注+CRF
|
约77.7%
|
采用了不同方法
|
约9.2%
|
引入词的概念显然
|
5
|
分词+词性标注+CRF+规则
|
约85.1%
|
在4基础上引入规则
|
约7.4%
|
机器学习方法的某些弊端不随条件的变化而变化
|
6
|
|
|
|
|
|
四、未来的工作
a) 尝试更多的规则,尽量减少机器学习方法的弊端;
b) 尝试把分词和词性信息作为不同的属性,看看对结果有什么影响;
c) 改进分词及词性标注的正确率,以便收到更好的命名实体识别的效果。
五、注意事项
a) 编码格式可能造成某些文件无法正常处理,当出现格式错误时要留心一下;
b) 各个程序所需要的分隔符不尽相同,主要是空格和制表符,在遇到问题时注意看是不是分隔符不符合程序要求;
c) 实验过程中开发的一些实用小工具并未提供说明书,但这些小工具界面简洁,使用方便,应该很容易掌握。
|
|
Felomeng.BackFormation
|
用于在标准格式和分词标注格式之间转换,还附带将两种标记合并、将分词标注信息删除两个功能
|
Felomeng.ErrorExtractor
|
错误提取工具,可以方便地从结果(带答案)中提取错误,以便于实验分析
|
Felomeng.NERRules
|
本来有四个功能,因为实验中验证了前三个功能效果不佳,固主要功能就是改善结果(对机器学习方法的结果进行规则化改进)。
|
|
|
后记:其实结果和使用的训练测试数据的选择很有关系,本人采用的是前70%训练,后30%测试。后经改进选取方法,正确率可以达92%以上,有兴趣的可以改变一下训练语料和测试语料的提取方式。
分享到:
相关推荐
基于条件随机场的中文命名实体识别研究
基于Python实现双向LSTM+条件随机场CRF的命名实体识别模型源码+报告(课程作业).zip 本次作业要完成 nlp 四大基础任务之一的序列标注任务,也叫做命名实体识别。即 是在给定文本中能够对词性、人名地名等特定信息进行...
基于条件随机场的命名实体识别研究,刘海鹏,王小捷,命名实体识别是自然语言处理的首要的基本工作,本文提出了一个基于条件随机场(简称CRF)的命名实体识别系统,进行了命名实体识别
基于条件随机场(Conditional Random Field, CRF)的NER模型 ## 数据集 数据集用的是论文ACL 2018[Chinese NER using Lattice LSTM](https://github.com/jiesutd/LatticeLSTM)中收集的简历数据,数据的格式如下,它...
人工智能_CRFs_条件随机场_基于条件随机场(CRF)对中文案件语料进行命名实体识别(NER) 文件组织 corpus.py 语料类 model.py 模型类 utils.py 工具函数、映射、配置 data 语料 requirements.txt 依赖
是依靠条件随机场和字典方法的中文命名实体识别的小工具,需要安装java虚拟机。解压后直接使用!!
为提高医院对复杂数据的处理效率,减轻工作人员的压力,本文提出了一种基于条件随机场(CRF)模型和特征模板结合的算法,来识别中文电子病历中的命名实体单元,识别准确率可以达到92.9%,可以有效地识别电子病历命名...
该模型结合了门控线性单元,卷积神经网络,以及条件随机场。作为对比,同时还介绍了其他较为成熟的命名实体识别模型,例如Bi-LSTM-CRF。分别对以上模型在中文数据集上进行了命名实体识别测试。实验表明,所有结果的...
medical_ner_crfsuite是CCKS2017全国知识图谱与语义大会,医疗电子病例命名实体识别评测任务的一个可执行demo,采用的方法是条件随机场(CRF),实现CRF的第三方库为python-crfsuite。目前该demo准确率为68%,召回率为...
双向长短时记忆神经网络和条件随机场(Bi-LSTM-CRF)的命名实体识别源码+模型.zip
基于条件随机场(Condition Random Fields, CRF)的命名实体识别. 基于双向长短时记忆神经网络和条件随机场(Bi-LSTM-CRF)的命名实体识别。 Introduce raw_data是原始数据,来源于CCKS2017任务二中,针对医疗电子...
基于条件随机场(CRF)对中文案件语料进行命名实体识别(NER)的Python源码+文档说明 - 不懂运行,下载完可以私聊问,可远程教学 该资源内项目源码是个人的毕设,代码都测试ok,都是运行成功后才上传资源,答辩评审平均...
条件随机场用于NLP中命名实体,组块分析。
我做的 随机条件场 域 命名实体抽取的ppt。
基于PyTorch的BERT+BiLSTM+CRF模型可以用于命名实体识别任务。...常用的损失函数是条件随机场(CRF)的负对数似然损失,常用的优化器是Adam。 6. 训练过程:使用训练集对模型进行训练。将输入数据传递给模型
当前版本基于双向循环神经网络(BiRNN) + 条件随机场(CRF)来完成实体的标注。 基本思路是利用深度神经网络提取特征,从而避免了手动提取特征的麻烦。 第二部和传统的方式一样,使用CRF在做最后的标注。 该程序...
为提高医院对复杂数据的处理效率,减轻工作人员的压力,本文提出了一种基于条件随机场(CRF)模型和特征模板结合的算法,来识别中文电子病历中的命名实体单元,识别准确率可以达到92.9%,可以有效地识别电子病历命名...
条件随机场详细讲解,及相关的隐马尔科夫模型,最大熵模型,贝叶斯模型
当前版本基于双向循环神经网络(BiRNN) + 条件随机场(CRF)来完成实体的标注。 基本思路是利用深度神经网络提取特征,从而避免了手动提取特征的麻烦。 第二部和传统的方式一样,使用CRF在做最后的标注。该程序使用...