如何训练自己的CRF模型
Ansj从5.0版本之后支持训练自己的crf模型,在此之前虽然已经很早支持了CRF模型,但是在用户的自训练上要求苛刻,而且本身实现的CRF从性能到准确率都不如CRF++或者第三方的,好吧.目前我做的是完败,所以另辟蹊径,打不过就嫖呗.只要支持他们训练的模型就可以.下面是一个step by step 教程,希望能对大家有所帮助.
Step by Step
-
准备训练语料
训练crf模型之前你需要准备好训练语料,别跟我要语料,语料比程序都难搞,一般针对你的业务场景如果能自己标注一些那是相当好的,可是大多数同学抱着玩票的思想,so为了让整个过程可以run起来,在这里我提供了一份语料供大家测试使用.链接: .以下是语料内容的一个例子:
在 1998年 来临 之际 ，我 十分 高兴 地 通过 中央 人民 广播 电台 、 中国 国际 广播 电台 和 中央 电视台 ，向 全国 各 族 人民 ，向 香港 特别 行政区 同胞 、 澳门 和 台湾 同胞 、 海外 侨胞 ，向 世界 各 国 的 朋友 们 ，致以 诚挚 的 问候 和 良好 的 祝愿 ！
-
下载训练程序
下载地址: 在这里感谢作者所做的工作.
加载CRF+生成的crf文本模型,测试使用的CRF++版本为:CRF++-0.58
-
加工语料
下载 当然有最新的建议下载最新的,鬼知道旧的版本有什么bug呢.同时将jar包放入到project中.目录结构如下.
#进入crf目录cd /[your_path]]/CRF++-0.58# 对下载的crf++进行编译make # 创建进入目录mkdir test cd test# 下载需要的jar包wget http://maven.nlpcn.org/org/ansj/ansj_seg/5.0.0/ansj_seg-5.0.0-all-in-one.jar# 下载训练文本到当前目录(test目录),目录结构如下.以本人个人电脑为例sunjiandeMacBook-Pro:test Ansj$ pwd/Users/sunjian/Documents/src/CRF++-0.58/testsunjiandeMacBook-Pro:test Ansj$ lsansj_seg-5.0.0-all-in-one.jar swresult.txt# 对语料进行加工,swresult.txt 是准备训练语料时候下载的文本.是海量提供的.在这里感谢他们所做的贡献.java -cp ansj_seg-5.0.0-all-in-one.jar org.ansj.app.crf.MakeTrainFile swresult.txt train.txt
得到训练文件如下:
这是crf训练需要的格式.在这里最好训练文件用此方式生成,因为程序对数字和英文字母训练方式进行了优化.
-
训练模型
- 在训练模型之前需要准备特征模板,好吧,这个是CRF++的东西了,在这里不做深入研究,我把我的模板内容列出,如下,保存在test目录下,命名为pattern.txt
# UnigramU01:%x[-1,0]U02:%x[0,0]U03:%x[1,0]U04:%x[-1,0]/%x[0,0]U05:%x[0,0]/%x[1,0]U06:%x[-1,0]/%x[1,0]# BigramB
2.至此准备工作完成.目录结构图如下:
-
开始训练
执行进入到
cd /[your_path]]/CRF++-0.58./crf_learn test/pattern.txt test/train.txt test/model -t** 注意:-t 参数是必须的,目前crf++只支持可读文本方式的模型加载* *
时光荏苒,岁月如梭,玩CRF++就是玩命呢,所以建议大家还是用wapiti吧,速度快多了,准确率就差那么一点点,泛化性也好.废话不多说了,经过了很久很久模型训练完毕了.
在训练目录test下你可以看到如下文件
其中,model.txt是训练的模型.之后ansj就可以加载他去浪 你的分词了.
结构如下:
Test.java的源码如下:
import java.io.IOException;import org.ansj.splitWord.analysis.NlpAnalysis;import org.ansj.util.MyStaticValue; public class Test { public static void main(String[] args) throws IOException { //设定模型路径 MyStaticValue.CRF.put(MyStaticValue.CRF_DEFAULT, "/Users/sunjian/Documents/src/CRF++-0.58/test/model.txt") ; //进行分词 System.out.println(NlpAnalysis.parse("欢迎使用Ansj的CRF功能!")); } } aha 运行它你会得到
Jun 06, 2016 11:12:53 AM DICLOG warnWARNING: not find library.properties in classpath use it by default !Jun 06, 2016 11:12:53 AM DICLOG warnWARNING: init userLibrary warning :/Users/sunjian/Documents/workspace/crf_demo_ansj/library/default.dic because : file not found or failed to read !Jun 06, 2016 11:12:53 AM DICLOG warnWARNING: init ambiguity warning :/Users/sunjian/Documents/workspace/crf_demo_ansj/library/ambiguity.dic because : file not found or failed to read !Jun 06, 2016 11:12:53 AM DICLOG infoINFO: begin init crf model!Jun 06, 2016 11:12:53 AM org.ansj.app.crf.model.CRFppTxtModel loadModelINFO: load template ok template : [-1] [0] [1] [-1, 0] [0, 1] [-1, 1] Jun 06, 2016 11:12:57 AM org.ansj.app.crf.model.CRFppTxtModel loadModelINFO: load feature ok feature size : 1174017Jun 06, 2016 11:13:02 AM org.ansj.app.crf.model.CRFppTxtModel loadModelINFO: load crfpp model ok ! use time :8504Jun 06, 2016 11:13:02 AM DICLOG infoINFO: load crf use time:8555 path is : /Users/sunjian/Documents/src/CRF++-0.58/test/model.txtJun 06, 2016 11:13:02 AM DICLOG infoINFO: init core library ok use time :324Jun 06, 2016 11:13:03 AM DICLOG infoINFO: init ngram ok use time :292欢迎/v,使用/v,ansj/en,的/uj,crf/en,功能/n,./m,在/p,这里/r,!
到这里实现了最简单的crf模型加载的分词方式.crf路径的设置可以参考配置文件说明来修正.
from:https://github.com/NLPchina/ansj_seg/wiki/%E5%AE%9A%E5%88%B6%E4%BD%A0%E8%87%AA%E5%B7%B1%E7%9A%84CRF%E6%A8%A1%E5%9E%8B