CRF分词的纯Java实现

与基于隐马尔可夫模型的最短路径分词、N-最短路径分词相比，基于条件随机场（CRF）的分词对未登录词有更好的支持。本文（HanLP）使用纯Java实现CRF模型的读取与维特比后向解码，内部特征函数采用 双数组Trie树(DoubleArrayTrie)储存，得到了一个高性能的中文分词器。

开源项目

本文代码已集成到HanLP中开源：http://www.hankcs.com/nlp/hanlp.html

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。

CRF训练

这类耗时的任务，还是交给了用C++实现的CRF++。关于CRF++输出的CRF模型，请参考《CRF++模型格式说明》。

CRF解码

解码采用维特比算法实现。并且稍有改进，用中文伪码与白话描述如下：

首先任何字的标签不仅取决于它自己的参数，还取决于前一个字的标签。但是第一个字前面并没有字，何来标签？所以第一个字的处理稍有不同，假设第0个字的标签为X，遍历X计算第一个字的标签，取分数最大的那一个。

如何计算一个字的某个标签的分数呢？某个字根据CRF模型提供的模板生成了一系列特征函数，这些函数的输出值乘以该函数的权值最后求和得出了一个分数。该分数只是“点函数”的得分，还需加上“边函数”的得分。边函数在本分词模型中简化为f(s',s)，其中s'为前一个字的标签，s为当前字的标签。于是该边函数就可以用一个4*4的矩阵描述，相当于HMM中的转移概率。

实现了评分函数后，从第二字开始即可运用维特比后向解码，为所有字打上BEMS标签。

实例

还是取经典的“商品和服务”为例，首先HanLP的CRFSegment分词器将其拆分为一张表：

商	null	
品	null	
和	null	
服	null	
务	null	

null表示分词器还没有对该字标注。

代码

上面说了这么多，其实我的实现非常简练：

/**
 * 维特比后向算法标注
 *
 * @param table
 */
public void tag(Table table)
{
    int size = table.size();
    int tagSize = id2tag.length;
    double[][] net = new double[size][tagSize];
    for (int i = 0; i < size; ++i)
    {
        LinkedList<double[]> scoreList = computeScoreList(table, i);
        for (int tag = 0; tag < tagSize; ++tag)
        {
            net[i][tag] = computeScore(scoreList, tag);
        }
    }

    if (size == 1)
    {
        double maxScore = -1e10;
        int bestTag = 0;
        for (int tag = 0; tag < net[0].length; ++tag)
        {
            if (net[0][tag] > maxScore)
            {
                maxScore = net[0][tag];
                bestTag = tag;
            }
        }
        table.setLast(0, id2tag[bestTag]);
        return;
    }

    int[][] from = new int[size][tagSize];
    for (int i = 1; i < size; ++i)
    {
        for (int now = 0; now < tagSize; ++now)
        {
            double maxScore = -1e10;
            for (int pre = 0; pre < tagSize; ++pre)
            {
                double score = net[i - 1][pre] + matrix[pre][now] + net[i][now];
                if (score > maxScore)
                {
                    maxScore = score;
                    from[i][now] = pre;
                }
            }
            net[i][now] = maxScore;
        }
    }
    // 反向回溯最佳路径
    double maxScore = -1e10;
    int maxTag = 0;
    for (int tag = 0; tag < net[size - 1].length; ++tag)
    {
        if (net[size - 1][tag] > maxScore)
        {
            maxScore = net[size - 1][tag];
            maxTag = tag;
        }
    }

    table.setLast(size - 1, id2tag[maxTag]);
    maxTag = from[size - 1][maxTag];
    for (int i = size - 2; i > 0; --i)
    {
        table.setLast(i, id2tag[maxTag]);
        maxTag = from[i][maxTag];
    }
    table.setLast(0, id2tag[maxTag]);
}

标注结果

标注后将table打印出来：

CRF标注结果
商	B	
品	E	
和	S	
服	B	
务	E

最终处理

将BEMS该合并的合并，得到：

[商品/null, 和/null, 服务/null]

然后将词语送到词典中查询一下，没查到的暂时当作nx，并记下位置（因为这是个新词，为了表示它的特殊性，最后词性设为null），再次使用维特比标注词性：

[商品/n, 和/cc, 服务/vn]

新词识别

CRF对新词有很好的识别能力，比如：

CRFSegment segment = new CRFSegment();
segment.enablePartOfSpeechTagging(true);
System.out.println(segment.seg("你看过穆赫兰道吗"));

输出：

CRF标注结果
你	S	
看	S	
过	S	
穆	B	
赫	M	
兰	M	
道	E	
吗	S	
[你/rr, 看/v, 过/uguo, 穆赫兰道/null, 吗/y]

null表示新词。

 知识共享署名-非商业性使用-相同方式共享：码农场 » CRF分词的纯Java实现