词性标注,实体识别,ICTCLAS分析系统的学习
词性标注
http://www.hankcs.com/nlp/part-of-speech-tagging.html
hanNLP工具的使用
http://www.hankcs.com/nlp/hanlp.html
分词系统完整版的介绍:
http://www.cnblogs.com/riky/archive/2007/03/09/669358.html
分词系统中关于最短路径的详细介绍
http://www.xuebuyuan.com/743687.html
关于条件随机场的简单介绍
http://www.cnblogs.com/liufanping/p/4899842.html
爬虫
http://cuiqingcai.com/1319.html
一个关于条件随机场前世今生祖宗八代的PPT介绍链接
https://wenku.baidu.com/view/bbd57f82fc4ffe473268ab59.html
一:条件随机场的中文分词
CRF VS 词典统计分词
- 基于词典的分词过度依赖词典和规则库,因此对于歧义词和未登录词的识别能力较低;其优点是速度快,效率高
- CRF代表了新一代的机器学习技术分词,其基本思路是对汉字进行标注即由字构词(组词),不仅考虑了文字词语出现的频率信息,同时考虑上下文语境,具备较好的学习能力,因此其对歧义词和未登录词的识别都具有良好的效果;其不足之处是训练周期较长,运营时计算量较大,性能不如词典妇分词
CRF VS HMM,MEMM
- 首先,CRF,HMM(隐马模型),MEMM(最大熵隐马模型)都常用来做序列标注的建模,像分词、词性标注,以及命名实体标注
- 隐马模型一个最大的缺点就是由于其输出独立性假设,导致其不能考虑上下文的特征,限制了特征的选择
- 最大熵隐马模型则解决了隐马的问题,可以任意选择特征,但由于其在每一节点都要进行归一化,所以只能找到局部的最优值,同时也带来了标记偏见的问题,即凡是训练语料中未出现的情况全都忽略掉
- 条件随机场则很好的解决了这一问题,他并不在每一个节点进行归一化,而是所有特征进行全局归一化,因此可以求得全局的最优值
CRF分词原理
1. CRF把分词当做字的词位分类问题,通常定义字的词位信息如下:
- 词首,常用B表示
- 词中,常用M表示
- 词尾,常用E表示
- 单子词,常用S表示
2. CRF分词的过程就是对词位标注后,将B和E之间的字,以及S单字构成分词
3. CRF分词实例:
- 原始例句:我爱北京天安门
- CRF标注后:我/S 爱/S 北/B 京/E 天/B 安/M 门/E
- 分词结果:我/爱/北京/天安门
4.CRF分词工具包