CRF++中文分词使用指南

前段时间写了中文分词的一些记录里面提到了CRF的分词方法，近段时间又研究了一下，特把方法写下来，以备忘，另外，李沫南同学优化过CRF++，见：http://www./opensource/CRF/。我觉得CRF++还有更大的优化空间，以后有时间再搞。

 

1 下载和安装

CRF的概念，请google，我就不浪费资源啦。官方地址如下：http://crfpp./

我用的是Ubutnu，所以，下载的是源码：http:///projects/crfpp/files/ 下载CRF++-0.54.tar.gz

没有gcc/g++/make请安装
% ./configure
% make
% sudo make install

2 测试和体验
在源码包中有example，可以执行./exec.sh体验一下
exec.sh   #训练和测试脚本
template #模板文件
test.data #测试文件
train.data #训练文件
可以打开看看

3 语料整理和模板编写

我采用的是6Tag和6Template的方式
S，单个词；B，词首；E，词尾；M1/M2/M，词中

1个字的词：
和 S
2个字的词(注意是实际上是一个字一行，我为了排版，改为横排的了)：
中 B 国 E
3个字的词：
进 B 一 M 步 E
5个字的词：
发 B 展 M1 中 M2 国 M 家 E
跟多字的词
中 B 华 M1 人 M2 民 M 共 M 和 M国 E
标点符号作为单词（S表示）

从bamboo 项目中下载：people-daily.txt.gz
pepoledata.py文件

[python] view plaincopy

1. #!/usr/bin/python  
2.   
3. # -*- coding: utf-8 -*-  
4.   
5.   
6.   
7. import sys  
8.   
9.   
10.   
11. #home_dir = "D:/source/NLP/people_daily//"  
12.   
13. home_dir = "/home/lhb/workspace/CRF_data/"  
14. def splitWord(words):  
15.     uni = words.decode('utf-8')  
16.     li = list()      
17.     for u in uni:  
18.     li.append(u.encode('utf-8'))  
19.     return li     
20.   
21.   
22. #4 tag  
23.   
24. #S/B/E/M  
25. def get4Tag(li):  
26.     length = len(li)  
27.     #print length  
28.     if length   == 1:  
29.     return ['S']  
30.     elif length == 2:  
31.     return ['B','E']  
32.     elif length > 2:  
33.     li = list()  
34.     li.append('B')  
35.     for i in range(0,length-2):  
36.         li.append('M')  
37.     li.append('E')  
38.     return li  
39. #6 tag  
40. #S/B/E/M/M1/M2  
41. def get6Tag(li):  
42.     length = len(li)  
43.     #print length  
44.     if length   == 1:  
45.     return ['S']  
46.     elif length == 2:  
47.     return ['B','E']  
48.     elif length == 3:  
49.     return ['B','M','E']  
50.     elif length == 4:  
51.     return ['B','M1','M','E']  
52.     elif length == 5:  
53.     return ['B','M1','M2','M','E']  
54.     elif length > 5:  
55.     li = list()  
56.     li.append('B')  
57.     li.append('M1')  
58.     li.append('M2')  
59.     for i in range(0,length-4):  
60.         li.append('M')  
61.     li.append('E')  
62.     return li  
63.   
64. def saveDataFile(trainobj,testobj,isTest,word,handle,tag):  
65.     if isTest:  
66.     saveTrainFile(testobj,word,handle,tag)  
67.     else:  
68.     saveTrainFile(trainobj,word,handle,tag)  
69.   
70. def saveTrainFile(fiobj,word,handle,tag):   
71.     if len(word) > 0:  
72.     wordli = splitWord(word)  
73.     if tag == '4':  
74.         tagli = get4Tag(wordli)  
75.     if tag == '6':  
76.         tagli = get6Tag(wordli)  
77.     for i in range(0,len(wordli)):  
78.         w = wordli[i]  
79.         h = handle  
80.         t = tagli[i]  
81.         fiobj.write(w + '/t' + h + '/t' + t + '/n')  
82.     else:  
83.     #print 'New line'  
84.     fiobj.write('/n')  
85.   
86. #B,M,M1,M2,M3,E,S  
87. def convertTag(tag):      
88.     fiobj    = open( home_dir + 'people-daily.txt','r')  
89.     trainobj = open( home_dir + tag + '.train.data','w' )  
90.     testobj  = open( home_dir + tag + '.test.data','w')  
91.   
92.     arr = fiobj.readlines()  
93.     i = 0  
94.     for a in arr:  
95.     i += 1  
96.     a = a.strip('/r/n/t ')  
97.     words = a.split(' ')  
98.     test = False  
99.     if i % 10 == 0:  
100.         test = True  
101.     for word in words:  
102.         word = word.strip('/t ')  
103.         if len(word) > 0:          
104.         i1 = word.find('[')  
105.         if i1 >= 0:  
106.             word = word[i1+1:]  
107.         i2 = word.find(']')  
108.         if i2 > 0:  
109.             word = word[:i2]  
110.         word_hand = word.split('/')  
111.         w,h = word_hand  
112.         #print w,h  
113.         if h == 'nr':    #ren min  
114.             #print 'NR',w  
115.             if w.find('·') >= 0:  
116.             tmpArr = w.split('·')  
117.             for tmp in tmpArr:  
118.                 saveDataFile(trainobj,testobj,test,tmp,h,tag)  
119.             continue  
120.         if h != 'm':  
121.             saveDataFile(trainobj,testobj,test,w,h,tag)  
122.           
123.         if h == 'w':  
124.             saveDataFile(trainobj,testobj,test,"","",tag) #split  
125.   
126.     trainobj.flush()  
127.     testobj.flush()  
128.   
129. if __name__ == '__main__':      
130.     if len(sys.argv) < 2:  
131.     print 'tag[6,4] convert raw data to train.data and tag.test.data'  
132.     else:  
133.     tag = sys.argv[1]  
134.     convertTag(tag)  

下载下来并解压，然后用脚本整理数据，注意home_dir改为语料的目录：
python ./peopledata.py 6

90%数据作为训练数据，10%的数据作为测试数据，生成的文件如：
6.test.data
6.train.data

模板文件的写法如下
template：

[python] view plaincopy

1. # Unigram  
2. U00:%x[-1,0]  
3. U01:%x[0,0]  
4. U02:%x[1,0]  
5. U03:%x[-1,0]/%x[0,0]  
6. U04:%x[0,0]/%x[1,0]  
7. U05:%x[-1,0]/%x[1,0]  
8.   
9. # Bigram  
10. B  

%x[row,column]代表的是行和列，[-1,0]表示前1个字的第1列，［0，0］当前字的第1列，［1，0］后1个字的第1列

4 执行和结果查看
6exec.sh文件

[python] view plaincopy

1. #!/bin/sh  
2. ./crf_learn -f 3 -c 4.0 template 6.train.data 6.model > 6.train.rst  
3. ./crf_test -m 6.model 6.test.data > 6.test.rst  
4. ./crfeval.py 6.test.rst  
5.   
6. #./crf_learn -a MIRA -f 3 template train.data model  
7. #./crf_test -m model test.data  
8. #rm -f model  

WordCount from test result: 109805
WordCount from golden data: 109948
WordCount of correct segs : 106145
P = 0.966668, R = 0.965411, F-score = 0.966039

5 调整Tag和模板
4 Tag S/B/M/E 比 6Tag 去掉了M1和M2
python ./peopledata.py 4
4exec.sh文件为

[python] view plaincopy

1. #!/bin/sh  
2. ./crf_learn -f 3 -c 4.0 template 4.train.data 4.model > 4.train.rst  
3. ./crf_test -m 4.model 4.test.data > 4.test.rst  
4. ./crfeval.py 4.test.rst  

4Tag的效果为
lhb@localhost:~/workspace/CRF_data$ ./crfeval.py 4.test.rst
ordCount from test result: 109844
WordCount from golden data: 109948
WordCount of correct segs : 105985
P = 0.964868, R = 0.963956, F-score = 0.964412

6Tag的效果比4Tag有细微的差距，当然是6Tag好。

6Tag 训练时间为
10062.00s
4tag的训练时间为
4208.71s

6Tag的标注方法差异

1)把M放在E之前：
发 B 展 M1 中 M2 国 M 家 E
2)把M放在B后
发 B 展 M 中 M1 国 M2 家 E
3)把M放在M1和M2之间：
发 B 展 M1 中 M 国 M2 家 E
第1种方式效果最好，有细微的差距。
template的编写

我尝试过12行模板的编写，把词性作为一个计算因素，但是速度实在是很慢，没跑完，我就关机了。效果应该比6 template要好，可以尝试以下。

[python] view plaincopy

1. # Unigram  
2. U00:%x[-1,1]  
3. U01:%x[0,1]  
4. U02:%x[1,1]  
5. U03:%x[-1,1]/%x[0,1]  
6. U04:%x[0,1]/%x[1,1]  
7. U05:%x[-1,1]/%x[1,1]  
8. U06:%x[-1,0]  
9. U07:%x[0,0]  
10. U08:%x[1,0]  
11. U09:%x[-1,0]/%x[0,0]  
12. U010:%x[0,0]/%x[1,0]  
13. U011:%x[-1,0]/%x[1,0]  
14.   
15. # Bigram  
16. B  

 

有某位同学问我要crfeval.py文件，特放出如下：

 

[python] view plaincopy

1. #!/usr/bin/python  
2. # -*- coding: utf-8 -*-  
3.   
4. import sys  
5.   
6. if __name__=="__main__":  
7.     try:  
8.         file = open(sys.argv[1], "r")  
9.     except:  
10.         print "result file is not specified, or open failed!"  
11.         sys.exit()  
12.       
13.     wc_of_test = 0  
14.     wc_of_gold = 0  
15.     wc_of_correct = 0  
16.     flag = True  
17.       
18.     for l in file:  
19.         if l=='/n': continue  
20.       
21.         _, _, g, r = l.strip().split()  
22.        
23.         if r != g:  
24.             flag = False  
25.       
26.         if r in ('E', 'S'):  
27.             wc_of_test += 1  
28.             if flag:  
29.                 wc_of_correct +=1  
30.             flag = True  
31.       
32.         if g in ('E', 'S'):  
33.             wc_of_gold += 1  
34.   
35.     print "WordCount from test result:", wc_of_test  
36.     print "WordCount from golden data:", wc_of_gold  
37.     print "WordCount of correct segs :", wc_of_correct  
38.               
39.     #查全率  
40.     P = wc_of_correct/float(wc_of_test)  
41.     #查准率，召回率  
42.     R = wc_of_correct/float(wc_of_gold)  
43.       
44.     print "P = %f, R = %f, F-score = %f" % (P, R, (2*P*R)/(P+R))