基于CRF的命名实体识别系统原理及实例剖析

2017/06/15 15:50
阅读数 68

经常听到一些朋友说用CRF(conditional random field algorithm)做命名实体识别,但绝大多数都是调用CRF++包,然后自己只是构造一些特征,然后就是几个命令行执行下而已,最近又有朋友经常问CRF是如何命名实体识别的,今天我就结合实例把CRF预测的过程来进行下解释,有不对的地方欢迎拍砖,算是抛砖引玉吧。



本专题是建立在CRF模型已经训练的基础上的,如果有需要下个专题可以介绍下训练的原理及过程。


通常CRF的命名实体序列标注任务中标签有B、E、M、S四种,本专题模板采用的是 :   U0:%x[-1,0]   U1:%x[0,0]  U2:%x[1,0]  U3:%x[-1,0]%x[0,0] 

                   U4:%x[0,0]%x[1,0]   U5:%x[-1,0]%x[1,0]

使用案例是“维斯塔斯风车着火了”

首先对“维”进行特征函数计算:

 可以看出当前token是“维”,通过模板特征函数得到该矩阵,然后对该矩阵的各个列进行求和结果如下:     

其他字符的特征计算过程都是一样的,在此就忽略过程,矩阵DotMatrix结果如下(其中由于“维”字是开始字符所以不可能是E和M标注,顾认为设置为最小权重):

根据CRF计算过程,以上矩阵为点函数得分矩阵,我们还需要一个训练时得到的标注转移矩阵TransMatrix即:


通过DotMatrix和TransMatrix的结合可以推导出前后字符之间在各个标注之前的最大转移概率,公式如下:

其中score值的计算既是字符之间转移概率的计算过程,from矩阵记录的则是当前节点标注最大概率时前一个字符的标注,可以认为是最优路径的记录矩阵,而net矩阵则是通过转移计算过程得到的每个字符在BEMS标注的概率值,如下:

from矩阵结果为:

我们此时是需要回溯出一条最优路径的,定位“了”字符,作为结尾字符,只可能是E或者S,我们看net[火][E]和net[火][S]的值,可以看出S标注结果更大,因此“了”标注为S,看from矩阵,from[了][S]=1,及“火”标注为E,以此类推得到结果如下:





本文分享自微信公众号 - 机器学习之禅(zen-ml)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部