CRF++使用说明
摘选自 ：CRF++: Yet Another CRF toolkit
Usage:
1.输入输出文件
He PRP B-NP reckons VBZ B-VP the DT B-NP current JJ I-NP account NN I-NP deficit NN I-NP will MD B-VP narrow VB I-VP to TO B-PP only RB B-NP # # I-NP 1.8 CD I-NP billion CD I-NP in IN B-PP September NNP B-NP . . O He PRP B-NP reckons VBZ B-VP ..
由许多token组成，每一行称之为一个token，每个token包含许多列，一般第0列是词本身，最后一列是词应该输出的标记(状态)，中间的列是词的Pos，可以有多个，例如可以是词性等
输出文件与输入文件一样，只不过最后一列的可有可无，包含最后一列时可用于测试
2. feature template
2.1 模板基础和介绍
Input: Data He PRP B-NP reckons VBZ B-VP the DT B-NP << CURRENT TOKEN current JJ I-NP account NN I-NP
| template | expanded feature |
| %x[0,0] | the |
| %x[0,1] | DT |
| %x[-1,0] | reckons |
| %x[-2,1] | PRP |
| %x[0,0]/%x[0,1] | the/DT |
| ABC%x[0,1]123 | ABCDT123 |
模板由 %x[row,col]指定，row表示行偏移，col表示第col列。eg，当前元素是the的话，%x[0,1]表示DT，%x[-1,0]表示reckons等
2.2 模板类型
一共有两种类型的模板，Unigram和Bigram
2.2.1 Unigram
如果一个 %x[0,1]模板(这个模板的意思就是利用当前词的第一列(词性)去预测最后一列(输出))，会产生如下函数：
func1 = if (output = B-NP and feature="U01:DT") return 1 else return 0 func2 = if (output = I-NP and feature="U01:DT") return 1 else return 0 func3 = if (output = O and feature="U01:DT") return 1 else return 0 .... funcXX = if (output = B-NP and feature="U01:NN") return 1 else return 0 funcXY = if (output = O and feature="U01:NN") return 1 else return 0 ... |
当前词的U01特征是DT，当前词的输出是B-NP 当前词的U01特征是DT，当前词的输出是I-NP 当前词的U01特征是DT，当前词的输出是O
当前词的U01特征是NN，当前词的输出是B-NP 当前词的U01特征是NN，当前词的输出是O |
一共有 L*N个特征函数，L是输出的类别墅，N是expanded feature的数目
2.2.2 Bigram
会自动产生当前特征和前一个特征的合并，一共会有L*L*N个特征函数
2.2.3 区别两个unigram与bigram
- unigram: |output tag| x |all possible strings expanded with a macro|
- bigram: |output tag| x |output tag| x |all possible strings expanded with a macro|
模板示例
# Unigram
U00:%x[-2,0] U01:%x[-1,0] U02:%x[0,0] U03:%x[1,0] U04:%x[2,0] U05:%x[-1,0]/%x[0,0] U06:%x[0,0]/%x[1,0] U10:%x[-2,1] U11:%x[-1,1] U12:%x[0,1] U13:%x[1,1] U14:%x[2,1] U15:%x[-2,1]/%x[-1,1] U16:%x[-1,1]/%x[0,1] U17:%x[0,1]/%x[1,1] U18:%x[1,1]/%x[2,1] U20:%x[-2,1]/%x[-1,1]/%x[0,1] U21:%x[-1,1]/%x[0,1]/%x[1,1] U22:%x[0,1]/%x[1,1]/%x[2,1] # Bigram B
‘#’在模板中表示注释，bigram中的B表示就只采用前一个token和当前token作为bigram特征
3 训练
3.1 命令
crf_learn template_file train_file model_file
3.2 输出
CRF++: Yet Another CRF Tool Kit Copyright(C) 2005 Taku Kudo, All rights reserved. reading training data: 100.. 200.. 300.. 400.. 500.. 600.. 700.. 800.. Done! 1.94 s Number of sentences: 823 Number of features: 1075862 Number of thread(s): 1 Freq: 1 eta: 0.00010 C: 1.00000 shrinking size: 20 Algorithm: CRF iter=0 terr=0.99103 serr=1.00000 obj=54318.36623 diff=1.00000 iter=1 terr=0.35260 serr=0.98177 obj=44996.53537 diff=0.17161 iter=2 terr=0.35260 serr=0.98177 obj=21032.70195 diff=0.53257 iter=3 terr=0.23879 serr=0.94532 obj=13642.32067 diff=0.35138 iter=4 terr=0.15324 serr=0.88700 obj=8985.70071 diff=0.34134 iter=5 terr=0.11605 serr=0.80680 obj=7118.89846 diff=0.20775 iter=6 terr=0.09305 serr=0.72175 obj=5531.31015 diff=0.22301 iter=7 terr=0.08132 serr=0.68408 obj=4618.24644 diff=0.16507 iter=8 terr=0.06228 serr=0.59174 obj=3742.93171 diff=0.18953
- iter: 迭代次数
- terr: error rate with respect to tags. (# of error tags/# of all tag)
- serr: error rate with respect to sentences. (# of error sentences/# of all sentences)
- obj: current object value. When this value converges to a fixed point, CRF++ stops the iteration.
- diff: relative difference from the previous object value.
3.3 参数
- -a CRF-L2 or CRF-L1:
指定正则化项。默认参数是L2。一般情况，L2比L1略好，但L1正则化情况下非零的特征数目明显比L2正则化少。 - -c float:
CRF中的hyper-parameter参数。C越大，CRF拟合训练数据过好，所以C是一个权衡过拟合和欠拟合的参数。训练结果受C值的影响较大。可以通过交叉验证等确定C的取值。 - -f NUM:
设置参与训练的特征的阈值。仅使用出现次数不小于NUM次的特征。默认值是1。在大数据中，只出现一次的特征会有成百上千，此时这个选项就会很有用。 - -p NUM:
如果电脑有多个CPU，可以多线程训练，NUM是线程数。
eg
crf_learn -f 3 -c 1.5 template_file train_file model_file
0.45以上的版本，还有single-best MIRA training模式，通过-a MIRA 指定，参数选项与上面的类似
4 预测
crf_test -m model_file test_files ...
每一行中前面的列是预测数据中的特征和真实结果，最后一列是通过训练得到的标注结果
输出普通结果
% crf_test -m model test.data Rockwell NNP B B International NNP I I Corp. NNP I I 's POS B B Tulsa NNP I I unit NN I I ..
输出真实值的概率
% crf_test -v1 -m model test.data| head # 0.478113 Rockwell NNP B B/0.992465 International NNP I I/0.979089 Corp. NNP I I/0.954883 's POS B B/0.986396 Tulsa NNP I I/0.991966 ...
输出所有情况的概率
% crf_test -v2 -m model test.data # 0.478113 Rockwell NNP B B/0.992465 B/0.992465 I/0.00144946 O/0.00608594 International NNP I I/0.979089 B/0.0105273 I/0.979089 O/0.0103833 Corp. NNP I I/0.954883 B/0.00477976 I/0.954883 O/0.040337 's POS B B/0.986396 B/0.986396 I/0.00655976 O/0.00704426 Tulsa NNP I I/0.991966 B/0.00787494 I/0.991966 O/0.00015949 unit NN I I/0.996169 B/0.00283111 I/0.996169 O/0.000999975 ..
我
