使用CRF实现命名实体识别NER

23次阅读

共计 9264 个字符，预计需要花费 24 分钟才能阅读完成。

CRF 与 NER 简介

  CRF，英文全称为 conditional random field, 中文名为条件随机场，是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可夫（Markov）随机场。
  较为简单的条件随机场是定义在线性链上的条件随机场，称为线性链条件随机场（linear chain conditional random field）. 线性链条件随机场可以用于序列标注等问题，而本文需要解决的命名实体识别 (NER) 任务正好可通过序列标注方法解决。这时，在条件概率模型 P(Y|X)中，Y 是输出变量，表示标记序列（或状态序列），X 是输入变量，表示需要标注的观测序列。学习时，利用训练数据 集通过极大似然估计或正则化的极大似然估计得到条件概率模型 p(Y|X)；预测时，对于给定的输入序列 x，求出条件概率 p(y|x)最大的输出序列 y0.

  命名实体识别（Named Entity Recognition，简称 NER）是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类（实体类、时间类和数字类）、七小类（人名、机构名、地名、时间、日期、货币和百分比）命名实体。常见的实现 NER 的算法如下：

  本文不准备详细介绍条件随机场的原理与实现算法，关于具体的原理与实现算法，可以参考《统计学习算法》一书。我们将借助已实现条件随机场的工具——CRF++ 来实现命名实体识别。关于用深度学习算法来实现命名实体识别，可以参考文章：NLP 入门（五）用深度学习实现命名实体识别（NER）。

CRF++

简介

  CRF++ 是著名的条件随机场的开源工具，也是目前综合性能最佳的 CRF 工具，采用 C ++ 语言编写而成。其最重要的功能我认为是采用了特征模板。这样就可以自动生成一系列的特征函数，而不用我们自己生成特征函数，我们要做的就是寻找特征，比如词性等。关于 CRF++ 的特性，可以参考网址：http://taku910.github.io/crfpp/。

安装

  CRF++ 的安装可分为 Windows 环境和 Linux 环境下的安装。关于 Linux 环境下的安装，可以参考文章：CRFPP/CRF++ 编译安装与部署。在 Windows 中 CRF++ 不需要安装，下载解压 CRF++0.58 文件即可以使用，下载网址为：https://blog.csdn.net/lilong117194/article/details/81160265。

使用

1. 语料

  以我们本次使用的命名实体识别的语料为例，作为 CRF++ 训练的语料（前 20 行，每一句话以空格隔开。）如下：

played VBD O
on IN O
Monday NNP O
( ( O
home NN O
team NN O
in IN O
CAPS NNP O
) ) O
: : O

American NNP B-MISC
League NNP I-MISC

Cleveland NNP B-ORG
2 CD O
DETROIT NNP B-ORG
1 CD O

BALTIMORE VB B-ORG

需要注意字与标签之间的分隔符为制表符 t，否则会导致 feature_index.cpp(86) [max_size == size] inconsistent column size 错误。

2. 模板

  模板是使用 CRF++ 的关键，它能帮助我们自动生成一系列的特征函数，而不用我们自己生成特征函数，而特征函数正是 CRF 算法的核心概念之一。一个简单的模板文件如下：

# Unigram
U00:%x[-2,0]
U01:%x[0,1]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U05:%x[-2,0]/%x[-1,0]/%x[0,0]
U06:%x[-1,0]/%x[0,0]/%x[1,0]
U07:%x[0,0]/%x[1,0]/%x[2,0]
U08:%x[-1,0]/%x[0,0]
U09:%x[0,0]/%x[1,0]
 
# Bigram
B

  在这里，我们需要好好理解下模板文件的规则。T**:%x[#,#]中的 T 表示模板类型，两个 ”#” 分别表示相对的行偏移与列偏移。一共有两种模板：

  • 第一种模板是 Unigram template: 第一个字符是 U，用于描述 unigram feature 的模板。每一行 %x[#,#]生成一个 CRF 中的点 (state) 函数: f(s, o), 其中 s 为 t 时刻的的标签 (output)，o 为 t 时刻的上下文。假设home NN O 所在行为CURRENT TOKEN，
played VBD O
on IN O
Monday NNP O
( ( O
home NN O << CURRENT TOKEN
team NN O
in IN O
CAPS NNP O
) ) O
: : O

那么 %x[#,#]的对应规则如下：

template expanded feature
%x[0,0] home
%x[0,1] NN
%x[-1,0] (
%x[-2,1] NNP
%x[0,0]/%x[0,1] home/NN
ABC%x[0,1]123 ABCNN123

以“U01:%x[0,1]”为例，它在该语料中生成的示例函数如下:

func1 = if (output = O and feature=”U01:NN”) return 1 else return 0
func2 = if (output = O and feature=”U01:N”) return 1 else return 0
func3 = if (output = O and feature=”U01:NNP”) return 1 else return 0
….

  • 第二种模板是 Bigram template: 第一个字符是 B，每一行 %x[#,#]生成一个 CRFs 中的边 (Edge) 函数:f(s’, s, o), 其中 s ’ 为 t–1 时刻的标签。也就是说,Bigram 类型与 Unigram 大致相同, 只是还要考虑到 t–1 时刻的标签。如果只写一个 B 的话, 默认生成 f(s’, s)，这意味着前一个 output token 和 current token 将组合成 bigram features。
3. 训练

  CRF++ 的训练命令一般格式如下：

crf_learn  -f 3 -c 4.0 template train.data model -t

其中，template 为模板文件，train.data 为训练语料，- t 表示可以得到一个 model 文件和一个 model.txt 文件，其他可选参数说明如下：

-f, –freq=INT 使用属性的出现次数不少于 INT(默认为 1)

-m, –maxiter=INT 设置 INT 为 LBFGS 的最大迭代次数 (默认 10k)

-c, –cost=FLOAT    设置 FLOAT 为代价参数，过大会过度拟合 (默认 1.0)

-e, –eta=FLOAT 设置终止标准 FLOAT(默认 0.0001)

-C, –convert 将文本模式转为二进制模式

-t, –textmodel 为调试建立文本模型文件

-a, –algorithm=(CRF|MIRA)    选择训练算法，默认为 CRF-L2

-p, –thread=INT 线程数(默认 1)，利用多个 CPU 减少训练时间

-H, –shrinking-size=INT    设置 INT 为最适宜的跌代变量次数 (默认 20)

-v, –version 显示版本号并退出

-h, –help 显示帮助并退出

在训练过程中，会输出一些信息，其意义如下：

iter：迭代次数。当迭代次数达到 maxiter 时，迭代终止

terr：标记错误率

serr：句子错误率

obj：当前对象的值。当这个值收敛到一个确定值的时候，训练完成

diff：与上一个对象值之间的相对差。当此值低于 eta 时，训练完成
4. 预测

  在训练完模型后，我们可以使用训练好的模型对新数据进行预测，预测命令格式如下：

crf_test -m model NER_predict.data > predict.txt

-m model表示使用我们刚刚训练好的 model 模型，预测的数据文件为 NER_predict.data, > predict.txt表示将预测后的数据写入到 predict.txt 中。

NER 实现实例

  接下来，我们将利用 CRF++ 来实现英文命名实体识别功能。
  本项目实现 NER 的语料库如下(文件名为 train.txt，一共 42000 行，这里只展示前 15 行，可以在文章最后的 Github 地址下载该语料库)：

played on Monday (home team in CAPS) :
VBD IN NNP (NN NN IN NNP) :
O O O O O O O O O O
American League
NNP NNP
B-MISC I-MISC
Cleveland 2 DETROIT 1
NNP CD NNP CD
B-ORG O B-ORG O
BALTIMORE 12 Oakland 11 (10 innings)
VB CD NNP CD (CD NN)
B-ORG O B-ORG O O O O O
TORONTO 5 Minnesota 3
TO CD NNP CD
B-ORG O B-ORG O
……

简单介绍下该语料库的结构：该语料库一共 42000 行，每三行为一组，其中，第一行为英语句子，第二行为句子中每个单词的词性，第三行为 NER 系统的标注，共分 4 个标注类别：PER（人名），LOC（位置），ORG（组织）以及 MISC，其中 B 表示开始，I 表示中间，O 表示单字词，不计入 NER，sO 表示特殊单字词。
  首先我们将该语料分为训练集和测试集，比例为 9:1，实现的 Python 代码如下：

# -*- coding: utf-8 -*-

# NER 预料 train.txt 所在的路径
dir = "/Users/Shared/CRF_4_NER/CRF_TEST"

with open("%s/train.txt" % dir, "r") as f:
    sents = [line.strip() for line in f.readlines()]

# 训练集与测试集的比例为 9:1
RATIO = 0.9
train_num = int((len(sents)//3)*RATIO)

# 将文件分为训练集与测试集
with open("%s/NER_train.data" % dir, "w") as g:
    for i in range(train_num):
        words = sents[3*i].split('\t')
        postags = sents[3*i+1].split('\t')
        tags = sents[3*i+2].split('\t')
        for word, postag, tag in zip(words, postags, tags):
            g.write(word+''+postag+' '+tag+'\n')
        g.write('\n')

with open("%s/NER_test.data" % dir, "w") as h:
    for i in range(train_num+1, len(sents)//3):
        words = sents[3*i].split('\t')
        postags = sents[3*i+1].split('\t')
        tags = sents[3*i+2].split('\t')
        for word, postag, tag in zip(words, postags, tags):
            h.write(word+''+postag+' '+tag+'\n')
        h.write('\n')

print('OK!')

运行此程序，得到 NER_train.data, 此为训练集数据，NER_test.data，此为测试集数据。NER_train.data 的前 20 行数据如下（以 t 分隔开来）：

played VBD O
on IN O
Monday NNP O
( ( O
home NN O
team NN O
in IN O
CAPS NNP O
) ) O
: : O

American NNP B-MISC
League NNP I-MISC

Cleveland NNP B-ORG
2 CD O
DETROIT NNP B-ORG
1 CD O

BALTIMORE VB B-ORG

  我们使用的模板文件 template 内容如下：

# Unigram
U00:%x[-2,0]
U01:%x[-1,0]
U02:%x[0,0]
U03:%x[1,0]
U04:%x[2,0]
U05:%x[-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

  接着训练该数据，命令如下：

crf_learn -c 3.0 template NER_train.data model -t

运行时的输出信息如下：

在笔者的电脑上一共迭代了 193 次，运行时间为 490.32 秒，标记错误率为 0.00004，句子错误率为 0.00056。

  接着，我们需要在测试集上对该模型的预测表现做评估。预测命令如下：

crf_test -m model NER_test.data > result.txt

使用 Python 脚本统计预测的准确率，代码如下：

# -*- coding: utf-8 -*-

dir = "/Users/Shared/CRF_4_NER/CRF_TEST"

with open("%s/result.txt" % dir, "r") as f:
    sents = [line.strip() for line in f.readlines() if line.strip()]

total = len(sents)
print(total)

count = 0
for sent in sents:
    words = sent.split()
    # print(words)
    if words[-1] == words[-2]:
        count += 1

print("Accuracy: %.4f" %(count/total))
# 0.9706

输出的结果如下：

21487
Accuracy: 0.9706

由此可见，在测试集上的准确率高达 0.9706，效果相当好。

  最后，我们对新数据进行命名实体识别，看看模型在新数据上的识别效果。实现的 Python 代码如下:

# -*- coding: utf-8 -*-

import os
import nltk

dir = "/Users/Shared/CRF_4_NER/CRF_TEST"

sentence = "Venezuelan opposition leader and self-proclaimed interim president Juan Guaidó said Thursday he will return to his country by Monday, and that a dialogue with President Nicolas Maduro won't be possible without discussing elections."#sentence ="Real Madrid's season on the brink after 3-0 Barcelona defeat"
# sentence = "British artist David Hockney is known as a voracious smoker, but the habit got him into a scrape in Amsterdam on Wednesday."
# sentence = "India is waiting for the release of an pilot who has been in Pakistani custody since he was shot down over Kashmir on Wednesday, a goodwill gesture which could defuse the gravest crisis in the disputed border region in years."
# sentence = "Instead, President Donald Trump's second meeting with North Korean despot Kim Jong Un ended in a most uncharacteristic fashion for a showman commander in chief: fizzle."# sentence ="And in a press conference at the Civic Leadership Academy in Queens, de Blasio said the program is already working."#sentence ="The United States is a founding member of the United Nations, World Bank, International Monetary Fund."

default_wt = nltk.word_tokenize # 分词
words = default_wt(sentence)
print(words)
postags = nltk.pos_tag(words)
print(postags)

with open("%s/NER_predict.data" % dir, 'w', encoding='utf-8') as f:
    for item in postags:
        f.write(item[0]+''+item[1]+' O\n')

print("write successfully!")

os.chdir(dir)
os.system("crf_test -m model NER_predict.data > predict.txt")
print("get predict file!")

# 读取预测文件 redict.txt
with open("%s/predict.txt" % dir, 'r', encoding='utf-8') as f:
    sents = [line.strip() for line in f.readlines() if line.strip()]

word = []
predict = []

for sent in sents:
    words = sent.split()
    word.append(words[0])
    predict.append(words[-1])

# print(word)
# print(predict)

# 去掉 NER 标注为 O 的元素
ner_reg_list = []
for word, tag in zip(word, predict):
    if tag != 'O':
        ner_reg_list.append((word, tag))

# 输出模型的 NER 识别结果
print("NER 识别结果：")
if ner_reg_list:
    for i, item in enumerate(ner_reg_list):
        if item[1].startswith('B'):
            end = i+1
            while end <= len(ner_reg_list)-1 and ner_reg_list[end][1].startswith('I'):
                end += 1

            ner_type = item[1].split('-')[1]
            ner_type_dict = {'PER': 'PERSON:',
                             'LOC': 'LOCATION:',
                             'ORG': 'ORGANIZATION:',
                             'MISC': 'MISC:'
                            }
            print(ner_type_dict[ner_type], ' '.join([item[0] for item in ner_reg_list[i:end]]))

识别的结果如下：

MISC:  Venezuelan
PERSON:  Juan Guaidó
PERSON:  Nicolas Maduro

识别有个地方不准确，Venezuelan 应该是 LOC，而不是 MISC. 我们再接着测试其它的新数据：

输入语句 1：

Real Madrid’s season on the brink after 3-0 Barcelona defeat

识别效果 1：

ORGANIZATION: Real Madrid
LOCATION: Barcelona

输入语句 2：

British artist David Hockney is known as a voracious smoker, but the habit got him into a scrape in Amsterdam on Wednesday.

识别效果 2：

MISC: British
PERSON: David Hockney
LOCATION: Amsterdam

输入语句 3：

India is waiting for the release of an pilot who has been in Pakistani custody since he was shot down over Kashmir on Wednesday, a goodwill gesture which could defuse the gravest crisis in the disputed border region in years.

识别效果 3：

LOCATION: India
LOCATION: Pakistani
LOCATION: Kashmir

输入语句 4：

Instead, President Donald Trump’s second meeting with North Korean despot Kim Jong Un ended in a most uncharacteristic fashion for a showman commander in chief: fizzle.

识别效果 4：

PERSON: Donald Trump
PERSON: Kim Jong Un

输入语句 5：

And in a press conference at the Civic Leadership Academy in Queens, de Blasio said the program is already working.

识别效果 5：

ORGANIZATION: Civic Leadership Academy
LOCATION: Queens
PERSON: de Blasio

输入语句 6：

The United States is a founding member of the United Nations, World Bank, International Monetary Fund.

识别效果 6：

LOCATION: United States
ORGANIZATION: United Nations
PERSON: World Bank
ORGANIZATION: International Monetary Fund

  在这些例子中，有让我们惊喜之处：识别出了人物 Donald Trump, Kim Jong Un. 但也有些不足指出，如将 World Bank 识别为人物，而不是组织机构。总的来说，识别效果还是让人满意的。

总结

  最近由于工作繁忙，无暇顾及博客。但转念一想，技术输出也是比较重要的，需要长期坚持下去～
  本项目的 Github 地址为：https://github.com/percent4/CRF_4_NER。
  五一将至，祝大家假期愉快～

正文完
nlp
发表至：无分类
2019-04-30
 0