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。

转载请注明：学时网 » CRF分词的纯Java实现