NNCRF之NNSegmentation, NNPostagging, NNNameEntity
这里主要介绍NNSegmentation
介绍：
NNSegmentation是一个基于LibN3L的利用神经网络来进行分词的工具。
他可以通过不同的模型（NN, RNN, GatedNN, LSTM and GRNN)） 以及不同的方法（Softmax, CRF Max-Margin, CRF Maximum Likelihood)组合来训练。
它还提供稀疏特征与模型相结合的能力。
SparseCRFMMLabeler仅仅考虑稀疏的特征 实现起来像CRF条件随机场模型
LSTMCRFMMLabeler 仅仅用neural embeddings作为输入并且利用CRF Maximum Likelihood来训练
SparseLSTMCRFMMLabeler支持sparse features和neural embeddings作为输入，并且利用CRF Maximum Likelihood来训练
首先去https://github.com/zhangmeishan
找到：NNSegmentation, NNPostagging, NNNameEntity下载
这里需要用到LibN3L mahadow OpenBLAS并且把它们与NNSegmentation, NNPostagging, NNNameEntity放在同一级的目录下
先阅读NNSegmention下的README.md
然后进入到example的文件夹里找到run.sh
我觉得老师在NNSegmention放的exaple特别好～
因为你只要读readme.txt和run.sh就都能懂了。而且连语料都放好了都在example下的pku目录里,言归正传
1.如何运行：
首先敲入cmake .
然后敲入make形成可执行文件(关于make与cmake的区别可以看这里：http://blog.sina.com.cn/s/blog_74a459380102uxlz.html)
然后进去到example目录下去 敲入：sh run.sh
2.查看输出结果、
这时候在pku.sample里生成我所选中的这三个文件，每一个文件记录着这三个模型分别在测试集和开发集上的表现。还有那三个文件夹，每个文件夹里会有pku.dev.featsOUTnodrop 和 pku.test.featsOUTnodrop，这里分别记录着在目前测试集和开发集最好的标记结果。
你也可以查看这里的内容。
最后可以看到类似于这样的结果：
Recall:P=43285/46549=0.92988, Accuracy:P=43285/46435=0.932163, Fmeasure:0.93102
召回率，精确率，以及F-measure也称F-score(我在zpar里提到过，大家也可以在这里看：http://baike.baidu.com/link?url=e0QzM2lTDGEXTzF3Y5KLlpo7h4U-5HLL8ukL-qPqSAiitXEyfJml_apQqSzxo6btsdIG6BZXfZuOO6b31Con_K)
3.特征模版Feature Template
举个例子：
`共同 创造 美好 的 新 世纪 —— 二○○一年 新年 贺词`, 抽取特征 "美"
`美 [T1]造美 [T2]创造美 [S]C-2=创 [S]C-1=造 [S]C0=美 [S]C1=好 [S]C2=的 [S]C-2C-1=创造 [S]C-1C0=造美 [S]C0C1=美好 [S]C1C2=好的 [S]C-1C1=造好 [S]C0C2=美的 [S]RC0C-2=0 [S]RC0C-1=0 [S]C-1C0C1=造美好 [S]TC-1=4 [S]TC-11==444 [S]TC-22==44444 b-seg`红色标记证明 ：
“美“是“美“是“美好”的第一个词
- 当前特征的下标为0，前一个是-1，后一个是（+）1，（-2 ，2也是这样）
- C0代表当前的特征“美“，C1是前一个特征“造”
- Ci前面的[S]只是说明它是sparse的
- RC0C1是relationship C0 C1 相等就是1 不相等就是0 RCOC1 “美“和“造“当然不是一个特征了所以就是0
- T1代表当前特征和前一个特征连起来组成的特征
- T2代表当前特征和前两个连起来组成的特征
- [S]TC-1=4 [S]TC-11==444 [S]TC-22==44444这个又是什么意思呢？
- there are five types. 0: Punctuation, 1: Alphabet, 2:Date, 3: Number, 4: others
- 我认为是这样：
- TC-1是前一个特征的类型标记
- TC-11是前一个特征(-1)，当前特征(0)，后一个特征(1)的类型标记组合（所以是三个数444）
- TC-22也是这样44444 所以是5个数
- 我觉得这个例子并不是很好，因为都是others
- b-seg m-seg e-seg s-seg 分别是第一个字 中间的字 末尾的字 一个单独的字 （哈尔滨 的 天气： 哈b-seg 尔m-seg 滨e-seg 的s-seg 天b-seg 气e-seg）
可以再分析下，下面这个例子 一九九八年 新年 讲话
年 [T1]新年 [T2]年新年 [S]C-2=年 [S]C-1=新 [S]C0=年 [S]C1=讲 [S]C2=话 [S]C-2C-1=年新 [S]C-1C0=新年 [S]C0C1=年讲 [S]C1C2=讲话 [S]C-1C1=新讲 [S]C0C2=年话 [S]RC0C-2=1 [S]RC0C-1=0 [S]C-1C0C1=新年讲 [S]TC-1=4 [S]TC-11==424 [S]TC-22==24244 e-seg
红色标记证明 ：年是“一九九八年”的最后一个词
以下是英文版的。。。
+ character unigram, Ci\_i ( -2=<i<=2 ).
+ character bigram, C\_{i-1}C\_i ( -2=<i<2 ), C-1C1, C0C2
+ whether two characters are equal, RC0C-2 and RC0C-1
+ character trigram, C-1C0C1
+ type(C0), there are five types. 0: Punctuation, 1: Alphabet, 2:Date, 3: Number, 4: others
+ type(C-1C0C1)
+ type(C-2C-1C0C1C2)
For example, considering this sentence
`共同 创造 美好 的 新 世纪 —— 二○○一年 新年 贺词`, the extracted features for the fifth character "美" is
`美 [T1]造美 [T2]创造美 [S]C-2=创 [S]C-1=造 [S]C0=美 [S]C1=好 [S]C2=的 [S]C-2C-1=创造 [S]C-1C0=造美 [S]C0C1=美好 [S]C1C2=好的 [S]C-1C1=造好 [S]C0C2=美的 [S]RC0C-2=0 [S]RC0C-1=0 [S]C-1C0C1=造美好 [S]TC-1=4 [S]TC-11==444 [S]TC-22==44444 b-seg`
where
* 美 is the current character. You should use "-word" to specify the character unigram embeddings.
* [T1] and [T2]. Things started with "[T" are additional targets which need to be embedded. Here we use character bigram embeddings and character trigram embeddings. You should use "-tag" to specify these embeddings and use comma as a delimiter between embedding file paths.
For example, "-tag t2.vec,t3.vec".
* [S]. Things startd with [S] are sparse features.
* b-seg is the tag for current character. Tags must be augmented with '-seg' postfix to indicate this is a segmentation task but not a classification application.
后记：
感觉那些模型TNN, RNN, GatedNN, LSTM and GRNN，都也只是听说过，都不知道具体的是什么。。。。
要努力学这些基础知识啊～～～
