CRF++的使用总结
转自:http://blog.sina.com.cn/s/blog_ad29a69d0101ausn.html
1,CRF++的指南,以及下载
英文版官网,使用手册的感觉。http://crfpp.googlecode.com/svn/trunk/doc/index.html
下载地址http://code.google.com/p/crfpp/downloads/list
2,CRF++-0.58.zip
我下载的是CRF++0.58.zip的版本,解压。
doc文件夹为官网地址;example为给的4个例子。
实际需要的:crf_learn.exe;crf_test.exe;libcrfpp.dll三个文件
可以先拿example中的某个例子,做一下测试。例如:example中chunking文件夹,其中原有4个文件:exec.sh;template;test.data;train.data。
template为特征模版;test.data为测试数据;train.data为训练数据。关于它们具体格式和内容,待会详细介绍。
可以选择example里的某个例子做测试,比如选chunking。将crf_learn.exe;crf_test.exe;libcrfpp.dll三个文件复制到到,含有exec.sh;template;test.data;train.data的文件夹(chunking)里。
cmd
cd进入该文件夹
crf_learn template train.data model 训练数据
crf_test -m model test.data > output.txt 测试数据
conlleval.pl < output.txt 评估效果
3,训练
命令行:
% crf_learn template train.data model
这个训练过程的时间、迭代次数等信息会输出到控制台上(感觉上是crf_learn程序的输出信息到标准输出流上了),如果想保存这些信息,我们可以将这些标准输出流到文件上,命令格式如下:
% crf_learn template_file train_file model_file >> train_info_file
有四个主要的参数可以调整:
-a CRF-L2 or CRF-L1
规范化算法选择。默认是CRF-L2。一般来说L2算法效果要比L1算法稍微好一点,虽然L1算法中非零特征的数值要比L2中大幅度的小。
-c float
这个参数设置CRF的hyper-parameter。c的数值越大,CRF拟合训练数据的程度越高。这个参数可以调整过度拟合和不拟合之间的平衡度。这个参数可以通过交叉验证等方法寻找较优的参数。
-f NUM
这个参数设置特征的cut-off threshold。CRF++使用训练数据中至少NUM次出现的特征。默认值为1。当使用CRF++到大规模数据时,只出现一次的特征可能会有几百万,这个选项就会在这样的情况下起到作用。
-p NUM
如果电脑有多个CPU,那么那么可以通过多线程提升训练速度。NUM是线程数量。
带两个参数的命令行例子:
% crf_learn -f 3 -c 1.5 template_file train_file model_file
4,测试
命令行:
% crf_test -m model test.data
有两个参数-v和-n都是显示一些信息的,-v可以显示预测标签的概率值,-n可以显示不同可能序列的概率值,对于准确率,召回率,运行效率,没有影响,这里不说明了。
与crf_learn类似,输出的结果放到了标准输出流上,而这个输出结果是最重要的预测结果信息(测试文件的内容+预测标注),同样可以使用重定向,将结果保存下来,命令行如下。
% crf_test -m model_file test_files > result_file
5,评估
若训练过程:% crf_test -m model test.data > output.txt
训练的结果在output.txt里。评估的就是这个文件,即待预测标签与预测标签的对比。
%conlleval.pl < output.txt
.pl后缀为Perl文件,所以需要安装Perl
conlleval.pl为http://www.cnts.ua.ac.be/conll2000/chunking/conlleval.txt 将这个贴到txt,然后重命名为conlleval。我当时这么做的。
特别注意:output.txt在CRF++输出中空格为TAB键,需要全部替换为真正空格键。conlleval.pl识别的是空格键。
6,train.data和test.data的格式
我做的实验关于中文。
每行的格式为:分词后的词 词性标注 标签
中间是空格隔开;空行表示句子的边界;分词后的词和词性标注是NLPIR(原ICTCLAS)生成的结果;标签O表示不是目标值,PLACE表示目标值,若一个词被分开了,则B-PALCE为第一个词,I-PLACE为接着的词
一定要严格按格式要求来,否则会报错。
另外,标签不能全部一样,否则会报这么错误:
The line search routine mcsrch failed: error code:0
routine stops with unexpected error
CRF_L2 execute error
下面是一个训练样本的例子:
训练文件由若干个句子组成(可以理解为若干个训练样例),不同句子之间通过换行符分隔,上图中显示出的有两个句子。每个句子可以有若干组标签,最后一组标签是标注,上图中有三列,即第一列和第二列都是已知的数据,第三列是要预测的标注,以上面例子为例是,根据第一列的词语和和第二列的词性,预测第三列的标注。
7,template格式
a) 特征选取的行是相对的,列是绝对的,一般选取相对行前后m行,选取n-1列(假设语料总共有n列),特征表示方法为:%x[行,列],行列的初始位置都为0。例如:
i. 以前面语料为例
“ Sw N
北 Bns B-LOC
京 Mns I-LOC
市 Ens I-LOC
首 Bn N
假设当前行为“京”字这一行,那么特征可以这样选取:
特征模板 |
意义 |
代表特征 |
%x[-2,0] |
-2行,0列 |
“ |
%x[-1,0] |
-1行,0列 |
北 |
%x[0,0] |
0行,0列 |
京 |
%x[1,0] |
1行,0列 |
市 |
%x[2,0] |
2行,0列 |
首 |
%x[-2,1] |
-2行,1列 |
Sw |
%x[-1,1] |
-1行,1列 |
Bns |
%x[0,1] |
0行,1列 |
Mns |
%x[1,1] |
1行,1列 |
Ens |
%x[2,1] |
2行,1列 |
Sw |
%x[-1,0]/%x[0,0] |
-1行0列与0行0列的组合 |
北/京 |
%x[0,0]/%x[1,0] |
0行0列与1行0列的组合 |
京/市 |
%x[-2,1]/%x[-1,1] |
-2行1列与-1行1列的组合 |
Sw/ Bns |
%x[-1,1]/%x[0,1] |
-1行1列与0行1列的组合 |
Bns/Mns |
%x[0,1]/%x[1,1] |
0行1列与1行1列的组合 |
Mns/Ens |
%x[1,1]/%x[2,1] |
1行1列与2行1列的组合 |
Ens/Sw |
%x[-2,1]/%x[-1,1]/%x[0,1] |
-2行1列、-1行1列、0行1列的组合 |
Sw/Bns/Mns |
%x[-1,1]/%x[0,1]/%x[1,1] |
-1行1列、0行1列、1行1列的组合 |
Bns/Mns/Ens |
%x[0,1]/%x[1,1]/%x[2,1] |
0行1列、1行1列、2行1列的组合 |
Mns/Ens/Sw |
b) 模板制作:模板分为两类:Unigram和Bigram。
其中Unigram/Bigram是指输出token的Unigram/Bigrams,而不是特征。
c) 以前面示例中的特征为特征,制作为Unigram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]
U05:%x[-2,1]
U06:%x[-1,1]
U07:%x[0,1]
U08:%x[1,1]
U09:%x[2,1]
U10:%x[-1,0]/%x[0,0]
U11:%x[0,0]/%x[1,0]
U12:%x[-2,1]/%x[-1,1]
U13:%x[-1,1]/%x[0,1]
U14:%x[0,1]/%x[1,1]
U15:%x[1,1]/%x[2,1]
U16:%x[-2,1]/%x[-1,1]/%x[0,1]
U17:%x[-1,1]/%x[0,1]/%x[1,1]
U18:%x[0,1]/%x[1,1]/%x[2,1]
说明:
i. 其中#开头的行不起作为,为注释;
ii. 行与行之间可以有空行;
iii. Unigram的特征前使用字母U,而Bigram的特征前使用字母B。后面的数字用于区分特征,当然这些数字不是一定要连续。
参考:http://www.cnblogs.com/pangxiaodong/archive/2011/11/21/2256264.html