CRF分词与NLP分词 crf中文分词

转载

mob6454cc782a8c 2023-08-29 16:08:20

文章标签 CRF分词与NLP分词词性标注概率分布初始化 文章分类 NLP 人工智能

CRF：条件随机场，一种机器学习技术。给定一组输入随机变量条件下，另一组输出随机变量的条件概率分布模型。

以一组词性标注为例，给定输入X={我，喜欢，学习}，那么输出为Y={名词，动词，名词}的概率应该为最大。输入序列X又称为观测序列，输出序列Y又称为状态序列。这个状态序列构成马尔可夫随机场，所以根据观测序列，得出状态序列的概率就包括，前一个状态转化为后一状态的概率（即转移概率）和状态变量到观测变量的概率（即发射概率）。

CRF分词原理

1. CRF把分词当做字的词位分类问题，通常定义字的词位信息如下：

词首，常用B表示；
词中，常用M表示；
词尾，常用E表示；
单子词，常用S表示；

2. CRF分词的过程就是对词位标注后，将B和E之间的字，以及S单字构成分词；

3. CRF分词实例：

原始例句：我爱北京天安门
CRF标注后：我/S 爱/S 北/B 京/E 天/B 安/M 门/E
分词结果：我/爱/北京/天安门

语料截图如下：

CRF分词与NLP分词 crf中文分词_CRF分词与NLP分词

由于语料很小，下面程序中创建的映射字典也小，所以预测时不能出现字典外的字，否则报KeyError。

链接：https://pan.baidu.com/s/1SUd-QwlD-WlfqGvo7ElhDw
提取码：v0hx

1.config.py

存放一些超参数。

1 filename='word.txt'
2 EMBEDDING_DIM = 5
3 HIDDEN_DIM = 4
4 epochs=100

2.data_process.py

预处理数据

1 import re
 2 import torch
 3 START_TAG = "<START>"
 4 STOP_TAG = "<STOP>"
 5 tag_to_ix = {"B": 0, "M": 1, "E": 2,"S":3, START_TAG: 4, STOP_TAG: 5}
 6 
 7 def prepare_sequence(seq, to_ix):       #seq是字序列，to_ix是字和序号的字典
 8     idxs = [to_ix[w] for w in seq]      #idxs是字序列对应的向量 
 9     return torch.tensor(idxs, dtype=torch.long)
10 
11 #将句子转换为字序列
12 def get_word(sentence):
13     word_list = []
14     sentence = ''.join(sentence.split(' '))
15     for i in sentence:
16         word_list.append(i)
17     return word_list
18 
19 #将句子转换为BMES序列
20 def get_str(sentence):
21     output_str = []
22     sentence = re.sub('  ', ' ', sentence) #发现有些句子里面，有两格空格在一起
23     list = sentence.split(' ')
24     for i in range(len(list)):
25         if len(list[i]) == 1:
26             output_str.append('S')
27         elif len(list[i]) == 2:
28             output_str.append('B')
29             output_str.append('E')
30         else:
31             M_num = len(list[i]) - 2
32             output_str.append('B')
33             output_str.extend('M'* M_num)
34             output_str.append('E')
35     return output_str
36 
37 def read_file(filename):
38     word, content, label = [], [], []
39     text = open(filename, 'r', encoding='utf-8')
40     for eachline in text:
41         eachline = eachline.strip('\n')
42         eachline = eachline.strip(' ')
43         word_list = get_word(eachline)
44         letter_list = get_str(eachline)
45         word.extend(word_list)      
46         content.append(word_list)
47         label.append(letter_list)
48     return word, content, label       #word是单列表，content和label是双层列表

查看下数据内容：

1 text, content, label = read_file('word.txt')
2 print(text)
3 print(content)
4 print(label)

CRF分词与NLP分词 crf中文分词_CRF分词与NLP分词_02

CRF分词与NLP分词 crf中文分词_概率分布_03

1 ['十', '亿', '中', '华', '儿', '女', '踏', '上', '新', '的', '征', '程', '。', '过', '去', '的', '一', '年', '，', '是', '全', '国', '各', '族', '人', '民', '在', '中', '国', '共', '产', '党', '领', '导', '下', '，', '在', '建', '设', '有', '中', '国', '特', '色', '的', '社', '会', '主', '义', '道', '路', '上', '，', '坚', '持', '改', '革', '、', '开', '放', '，', '团', '结', '奋', '斗', '、', '胜', '利', '前', '进', '的', '一', '年', '。', '城', '乡', '经', '济', '体', '制', '改', '革', '向', '纵', '深', '稳', '步', '发', '展', '，', '对', '外', '开', '放', '迈', '出', '了', '新', '的', '步', '伐', '，', '工', '农', '业', '生', '产', '和', '其', '它', '各', '项', '建', '设', '事', '业', '全', '面', '完', '成', '了', '“', '七', '五', '”', '计', '划', '第', '一', '年', '的', '任', '务', '，', '人', '民', '生', '活', '继', '续', '有', '所', '改', '善', '。', '政', '治', '上', '安', '定', '团', '结', '，', '端', '正', '党', '风', '和', '社', '会', '风', '气', '的', '工', '作', '取', '得', '了', '新', '的', '进', '展', '，', '社', '会', '主', '义', '民', '主', '和', '法', '制', '建', '设', '不', '断', '加', '强', '。', '在', '党', '的', '十', '二', '届', '六', '中', '全', '会', '通', '过', '的', '《', '关', '于', '社', '会', '主', '义', '精', '神', '文', '明', '建', '设', '指', '导', '方', '针', '的', '决', '议', '》', '指', '引', '下', '，', '我', '国', '两', '个', '文', '明', '的', '建', '设', '正', '在', '向', '新', '的', '水', '平', '迈', '步', '。', '从', '党', '的', '十', '一', '届', '三', '中', '全', '会', '实', '现', '伟', '大', '历', '史', '转', '折', '到', '现', '在', '，', '我', '国', '政', '治', '安', '定', '团', '结', '，', '经', '济', '稳', '定', '、', '持', '续', '、', '协', '调', '发', '展', '已', '经', '八', '年', '了', '，', '这', '是', '建', '国', '以', '来', '稳', '步', '发', '展', '持', '续', '时', '间', '最', '长', '的', '时', '期', '。', '在', '十', '年', '动', '乱', '之', '后', '，', '取', '得', '这', '样', '一', '个', '大', '好', '局', '面', '是', '不', '容', '易', '的', '。']
2 [['十', '亿', '中', '华', '儿', '女', '踏', '上', '新', '的', '征', '程', '。'], ['过', '去', '的', '一', '年', '，', '是', '全', '国', '各', '族', '人', '民', '在', '中', '国', '共', '产', '党', '领', '导', '下', '，'], ['在', '建', '设', '有', '中', '国', '特', '色', '的', '社', '会', '主', '义', '道', '路', '上', '，', '坚', '持', '改', '革', '、', '开', '放', '，', '团', '结', '奋', '斗', '、', '胜', '利', '前', '进', '的', '一', '年', '。'], ['城', '乡', '经', '济', '体', '制', '改', '革', '向', '纵', '深', '稳', '步', '发', '展', '，', '对', '外', '开', '放', '迈', '出', '了', '新', '的', '步', '伐', '，', '工', '农', '业', '生', '产', '和', '其', '它', '各', '项', '建', '设', '事', '业', '全', '面', '完', '成', '了', '“', '七', '五', '”', '计', '划', '第', '一', '年', '的', '任', '务', '，', '人', '民', '生', '活', '继', '续', '有', '所', '改', '善', '。'], ['政', '治', '上', '安', '定', '团', '结', '，', '端', '正', '党', '风', '和', '社', '会', '风', '气', '的', '工', '作', '取', '得', '了', '新', '的', '进', '展', '，', '社', '会', '主', '义', '民', '主', '和', '法', '制', '建', '设', '不', '断', '加', '强', '。'], ['在', '党', '的', '十', '二', '届', '六', '中', '全', '会', '通', '过', '的', '《', '关', '于', '社', '会', '主', '义', '精', '神', '文', '明', '建', '设', '指', '导', '方', '针', '的', '决', '议', '》', '指', '引', '下', '，', '我', '国', '两', '个', '文', '明', '的', '建', '设', '正', '在', '向', '新', '的', '水', '平', '迈', '步', '。'], ['从', '党', '的', '十', '一', '届', '三', '中', '全', '会', '实', '现', '伟', '大', '历', '史', '转', '折', '到', '现', '在', '，', '我', '国', '政', '治', '安', '定', '团', '结', '，', '经', '济', '稳', '定', '、', '持', '续', '、', '协', '调', '发', '展', '已', '经', '八', '年', '了', '，', '这', '是', '建', '国', '以', '来', '稳', '步', '发', '展', '持', '续', '时', '间', '最', '长', '的', '时', '期', '。'], ['在', '十', '年', '动', '乱', '之', '后', '，', '取', '得', '这', '样', '一', '个', '大', '好', '局', '面', '是', '不', '容', '易', '的', '。']]
3 [['B', 'E', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'S', 'B', 'E', 'S'], ['B', 'E', 'S', 'B', 'E', 'S', 'S', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'B', 'M', 'M', 'M', 'E', 'B', 'E', 'S', 'S'], ['S', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'S', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'S', 'B', 'E', 'B', 'E', 'S', 'B', 'E', 'S', 'B', 'M', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'S', 'B', 'E', 'S'], ['B', 'E', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'S', 'S', 'B', 'E', 'S', 'B', 'M', 'E', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'S', 'B', 'E', 'S', 'B', 'E', 'B', 'M', 'E', 'S', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'M', 'M', 'E', 'S'], ['B', 'E', 'S', 'B', 'M', 'M', 'E', 'S', 'B', 'M', 'M', 'E', 'S', 'B', 'M', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'S', 'S', 'S', 'B', 'E', 'S', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'B', 'M', 'M', 'E', 'B', 'M', 'M', 'E', 'S'], ['S', 'S', 'S', 'B', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'S', 'B', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'B', 'E', 'S', 'B', 'E', 'S', 'S', 'B', 'E', 'B', 'E', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'S', 'S', 'S', 'B', 'E', 'B', 'E', 'S'], ['B', 'E', 'S', 'B', 'M', 'M', 'M', 'M', 'M', 'E', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'E', 'S', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'B', 'E', 'B', 'E', 'S', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'E', 'S', 'S', 'B', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'B', 'E', 'S'], ['S', 'B', 'M', 'M', 'E', 'B', 'E', 'S', 'B', 'E', 'B', 'E', 'B', 'E', 'B', 'M', 'M', 'E', 'S', 'S', 'B', 'E', 'S', 'S']]

View Code

3.BiLSTM_CRF.py

关于BiLSTM+CRF的详细理解：https://zhuanlan.zhihu.com/p/97676647

转移概率矩阵transitions，transitions_ij表示t时刻隐状态为q_i，t+1时刻隐状态转换为q_j的概率，即P(i_t+1=q_j|i_t=q_i)

1 import torch
  2 from data_process import START_TAG,STOP_TAG
  3 from torch import nn
  4 
  5 def argmax(vec):      #返回每一行最大值的索引
  6     _, idx = torch.max(vec, 1)
  7     return idx.item()
  8 
  9 
 10 def prepare_sequence(seq, to_ix):     #seq是字序列，to_ix是字和序号的字典
 11     idxs = [to_ix[w] for w in seq]    #idxs是字序列对应的向量
 12     return torch.tensor(idxs, dtype=torch.long)
 13 
 14 
 15 #LSE函数，模型中经常用到的一种路径运算的实现
 16 def log_sum_exp(vec):                  #vec.shape=[1, target_size]
 17     max_score = vec[0, argmax(vec)]    #每一行的最大值
 18     max_score_broadcast = max_score.view(1, -1).expand(1, vec.size()[1])
 19     return max_score + torch.log(torch.sum(torch.exp(vec - max_score_broadcast)))
 20 
 21 
 22 class BiLSTM_CRF(nn.Module):
 23 
 24     def __init__(self, vocab_size, tag_to_ix, embedding_dim, hidden_dim):
 25         super(BiLSTM_CRF, self).__init__()
 26         self.embedding_dim = embedding_dim  
 27         self.hidden_dim = hidden_dim
 28         self.vocab_size = vocab_size
 29         self.tag_to_ix = tag_to_ix 
 30         self.tagset_size = len(tag_to_ix)
 31 
 32         self.word_embeds = nn.Embedding(vocab_size, embedding_dim)
 33         self.lstm = nn.LSTM(embedding_dim, hidden_dim // 2, num_layers=1, bidirectional=True)
 34 
 35         self.hidden2tag = nn.Linear(hidden_dim, self.tagset_size)     # Maps the output of the LSTM into tag space
 36 
 37         self.transitions = nn.Parameter(torch.randn(self.tagset_size, self.tagset_size))    #随机初始化转移矩阵
 38  
 39         self.transitions.data[tag_to_ix[START_TAG], :] = -10000       #tag_to_ix[START_TAG]: 3（第三行，即其他状态到START_TAG的概率）      
 40         self.transitions.data[:, tag_to_ix[STOP_TAG]] = -10000        #tag_to_ix[STOP_TAG]: 4（第四列，即STOP_TAG到其他状态的概率）
 41         self.hidden = self.init_hidden() 
 42 
 43     def init_hidden(self):
 44         return (torch.randn(2, 1, self.hidden_dim // 2), torch.randn(2, 1, self.hidden_dim // 2))
 45     
 46     #所有路径的得分，CRF的分母 
 47     def _forward_alg(self, feats):            
 48         init_alphas = torch.full((1, self.tagset_size), -10000.)        #初始隐状态概率，第1个字是O1的实体标记是qi的概率     
 49         init_alphas[0][self.tag_to_ix[START_TAG]] = 0.
 50 
 51         forward_var = init_alphas          #初始状态的forward_var，随着step t变化 
 52 
 53         for feat in feats:                 #feat的维度是[1, target_size]
 54             alphas_t = []  
 55             for next_tag in range(self.tagset_size):      #给定每一帧的发射分值，按照当前的CRF层参数算出所有可能序列的分值和
 56 
 57                 emit_score = feat[next_tag].view(1, -1).expand(1, self.tagset_size) #发射概率[1, target_size] 隐状态到观测状态的概率 
 58                 trans_score = self.transitions[next_tag].view(1, -1)                #转移概率[1, target_size] 隐状态到下一个隐状态的概率 
 59                 next_tag_var = forward_var + trans_score + emit_score               #本身应该相乘求解的，因为用log计算，所以改为相加 
 60                 
 61                 alphas_t.append(log_sum_exp(next_tag_var).view(1))
 62                 
 63             forward_var = torch.cat(alphas_t).view(1, -1)
 64             
 65         terminal_var = forward_var + self.transitions[self.tag_to_ix[STOP_TAG]]     #最后转到[STOP_TAG]，发射分值为0，转移分值为列向量 self.transitions[:, [self.tag2ix[END_TAG]]]
 66         return log_sum_exp(terminal_var) 
 67     
 68     #得到feats，维度=len(sentence)*tagset_size，表示句子中每个词是分别为target_size个tag的概率 
 69     def _get_lstm_features(self, sentence):  
 70         self.hidden = self.init_hidden()
 71         embeds = self.word_embeds(sentence).view(len(sentence), 1, -1)
 72         lstm_out, self.hidden = self.lstm(embeds, self.hidden)
 73         lstm_out = lstm_out.view(len(sentence), self.hidden_dim)
 74         lstm_feats = self.hidden2tag(lstm_out)
 75         return lstm_feats
 76 
 77     #正确路径的分数，CRF的分子 
 78     def _score_sentence(self, feats, tags):
 79         score = torch.zeros(1)
 80         tags = torch.cat([torch.tensor([self.tag_to_ix[START_TAG]], dtype=torch.long), tags])
 81         for i, feat in enumerate(feats):
 82             #self.transitions[tags[i + 1], tags[i]] 是从标签i到标签i+1的转移概率 
 83             #feat[tags[i+1]], feat是step i的输出结果，有５个值，对应B, I, E, START_TAG, END_TAG, 取对应标签的值  
 84             score = score + self.transitions[tags[i + 1], tags[i]] + feat[tags[i + 1]]     # 沿途累加每一帧的转移和发射  
 85         score = score + self.transitions[self.tag_to_ix[STOP_TAG], tags[-1]]               # 加上到END_TAG的转移  
 86         return score
 87  
 88 
 89     #解码，得到预测序列的得分，以及预测的序列
 90     def _viterbi_decode(self, feats):
 91         backpointers = []                #回溯路径；backpointers[i][j]=第i帧到达j状态的所有路径中, 得分最高的那条在i-1帧是什么状态
 92 
 93         # Initialize the viterbi variables in log space
 94         init_vvars = torch.full((1, self.tagset_size), -10000.)
 95         init_vvars[0][self.tag_to_ix[START_TAG]] = 0
 96 
 97         forward_var = init_vvars
 98         for feat in feats:
 99             bptrs_t = []
100             viterbivars_t = []
101 
102             for next_tag in range(self.tagset_size):
103 
104                 next_tag_var = forward_var + self.transitions[next_tag]            #其他标签（B,I,E,Start,End）到标签next_tag的概率
105                 best_tag_id = argmax(next_tag_var)                                 #选择概率最大的一条的序号 
106                 bptrs_t.append(best_tag_id)
107                 viterbivars_t.append(next_tag_var[0][best_tag_id].view(1))
108 
109             forward_var = (torch.cat(viterbivars_t) + feat).view(1, -1)            #从step0到step(i-1)时5个序列中每个序列的最大score 
110             backpointers.append(bptrs_t)
111 
112 
113         terminal_var = forward_var + self.transitions[self.tag_to_ix[STOP_TAG]]    #其他标签到STOP_TAG的转移概率
114         best_tag_id = argmax(terminal_var)
115         path_score = terminal_var[0][best_tag_id]
116 
117         best_path = [best_tag_id]
118         for bptrs_t in reversed(backpointers):           #从后向前走，找到一个best路径
119             best_tag_id = bptrs_t[best_tag_id]
120             best_path.append(best_tag_id)
121 
122         start = best_path.pop()
123         assert start == self.tag_to_ix[START_TAG]        #安全性检查
124         best_path.reverse()                              #把从后向前的路径倒置 
125         return path_score, best_path
126 
127     #求负对数似然，作为loss
128     def neg_log_likelihood(self, sentence, tags):
129         feats = self._get_lstm_features(sentence)        #emission score
130         forward_score = self._forward_alg(feats)         #所有路径的分数和，即b 
131         gold_score = self._score_sentence(feats, tags)   #正确路径的分数，即a
132         return forward_score - gold_score                #注意取负号 -log(a/b) = -[log(a) - log(b)] = log(b) - log(a)
133 
134 
135     def forward(self, sentence):
136         lstm_feats = self._get_lstm_features(sentence)
137         score, tag_seq = self._viterbi_decode(lstm_feats)
138         return score, tag_seq

4.training.py

1 from data_process import read_file, tag_to_ix
 2 from config import *
 3 from BiLSTM_CRF import *
 4 import torch
 5 from torch import nn
 6 from torch import optim
 7 
 8 _, content, label = read_file(filename)
 9 
10 def train_data(content, label):
11     train_data = []
12     for i in range(len(label)):
13         train_data.append((content[i], label[i]))
14     return train_data
15 data = train_data(content,label)
16 
17 word_to_ix = {}
18 for sentence, tags in data:
19     for word in sentence:
20         if word not in word_to_ix:
21             word_to_ix[word] = len(word_to_ix)      #单词映射，字到序号  
22 
23 
24 model = BiLSTM_CRF(len(word_to_ix), tag_to_ix, EMBEDDING_DIM, HIDDEN_DIM)
25 optimizer = optim.Adam(model.parameters(), lr=1e-3)
26 
27 #训练
28 for epoch in range(epochs): 
29     for sentence, tags in data:
30         model.zero_grad()
31 
32         sentence_in = prepare_sequence(sentence, word_to_ix)
33         targets = torch.tensor([tag_to_ix[t] for t in tags], dtype=torch.long)
34         loss = model.neg_log_likelihood(sentence_in, targets)
35 
36         loss.backward()
37         optimizer.step()
38     if epoch%10 == 0:
39         print('epoch/epochs: {}/{}, loss:{:.6f}'.format(epoch+1, epochs, loss.data[0]))
40 
41 #保存模型 
42 torch.save(model,'cws.model')
43 torch.save(model.state_dict(),'cws_all.model')

5.test_model.py

调用上面保存的模型，进行预测。

1 from trainning import word_to_ix
 2 from data_process import prepare_sequence
 3 import torch
 4  
 5 net = torch.load('cws.model')
 6 net.eval（)
 7 stri="改善人民生活水平，建设社会主义政治经济。"
 8 precheck_sent = prepare_sequence(stri, word_to_ix)     
 9 #precheck_sent= tensor([ 45, 102,  23,  24,  80,  98, 140, 141,  17,  32,  33,  37,  38,  39,  40, 103, 104,  60,  61,  12])
10 
11 label = net(precheck_sent)[1]
12 #net(precheck_sent)= (tensor(32.3123, grad_fn=<SelectBackward>), [0, 2, 0, 2, 0, 2, 0, 2, 3, 0, 2, 0, 2, 0, 2, 0, 2, 0, 2, 2])
13 
14 cws=[]
15 for i in range(len(label)):
16     cws.extend(stri[i])
17     if label[i]==2 or label==3:
18         cws.append('/')    
19 #cws= ['改', '善', '/', '人', '民', '/', '生', '活', '/', '水', '平', '/', '，', '建', '设', '/', '社', '会', '/', '主', '义', '/', '政', '治', '/', '经', '济', '/', '。']
20 
21 print('输入未分词语句：', stri)
22 print('分词结果：', ''.join(cws))

1 epoch/epochs: 1/100, loss:33.839325
 2 epoch/epochs: 11/100, loss:31.749798
 3 epoch/epochs: 21/100, loss:29.822870
 4 epoch/epochs: 31/100, loss:27.391972
 5 epoch/epochs: 41/100, loss:26.033567
 6 epoch/epochs: 51/100, loss:24.467463
 7 epoch/epochs: 61/100, loss:22.403660
 8 epoch/epochs: 71/100, loss:20.725002
 9 epoch/epochs: 81/100, loss:18.280849
10 epoch/epochs: 91/100, loss:16.049187

输入未分词语句：改善人民生活水平，建设社会主义政治经济。
分词结果：改善/人民/生活/水平/，建设/社会/主义/政治/经济/。

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。